该文论述了关于 UCR 时间序列分类存档以及多变量时间序列分类中算法评估需要面对的问题，并提出 MTSC 存档，旨在为多变量时间序列分类领域提供更多的数据以进行评估。

Oct, 2018

本研究提出了两个新的时间序列外生回归算法 FreshPRINCE 和 DrCIF，以及展示了它们与 InceptionTime 一起显著优于其他已测试的 18 个回归算法，尤其是这两种方法是唯一显著优于标准旋转森林回归算法的方法。

May, 2023

本文提供了一个包含不同领域，不同类型的 20 种公开的时间序列数据集的综合时间序列预测归档，并对数据集进行特征分析来鉴别相似之处和不同之处。此外，作者还提供了一组标准基准预测方法的性能分析，以便研究人员使用文献进行算法比较。

May, 2021

UCR 时间序列档案在时间序列数据挖掘社区中已成为重要资源，提供了从 45 到 128 个数据集的扩展，并提供了实用的建议和观点。另外，该论文还指出，许多论文没有正确地归因于分类改善的原因，而只需一行代码即可实现相同的改善。

Oct, 2018

本文评述了深度学习在时序数据分类和外在回归中的最新技术，讨论了应用深度学习于时间序列数据所面临的挑战和机会，并总结了人体活动识别和卫星观测等两个关键领域的应用。

Feb, 2023

我们研究了内容基于时间序列检索（CTSR）问题，针对包含多个领域的数据库提出了一个基准数据集，并比较了几种常见的时间序列建模和检索方法。鉴于这一问题的重要性，我们提出了一种优于现有方法的新型距离学习模型。研究总结了跨多个领域解决 CTSR 问题的重要性，并为未来研究提供了有用的基准数据集。

Nov, 2023

本文旨在探讨如何降低时间序列预测的不确定性，并介绍了一种基于相关时间序列引用的简单有效的两阶段方法 ReTime 用于空时序列和时间序列插值。

Sep, 2022

本研究提出了一种名为相关递归单元（CRU）的新型神经架构，可以在神经元内执行时间序列分解并学习每个分解组件之间的自相关和相关性，实验结果表明，相比其他神经架构，所提出的 CRU 是解决时间序列预测问题的一种优秀方法，可将长期和短期的预测精度提高 10％以上。

Nov, 2022

为了支持机器学习方法在预测时间序列数据方面的进展，我们提供了一个专门设计用于长期时间序列预测的全面数据集。我们将从不同的动态系统和真实记录中获取的一系列数据集进行了标准化，每个数据集都被分成了训练和测试轨迹，并设定了预定的回溯长度。通过对经典和先进的模型（即 LSTM，DeepAR，NLinear，N-Hits，PatchTST，和 LatentODE）进行广泛的基准分析，我们确定在不同场景中最有效的模型。我们的研究结果显示出这些模型之间有着有趣的性能比较，突显了模型效果与数据集有关的特性。值得注意的是，我们引入了一个定制的 latent NLinear 模型并且通过课程学习阶段提高了 DeepAR 的性能，它们在效果上始终优于其原始版本。

Sep, 2023

本研究旨在评估和比较现有的早期时序分类算法，为生命科学和海事领域提供分类预测，并建立一个可用于相关技术测试的基准。

Mar, 2022