我们提出了一种方法，将多变量信号表示为图中的节点，通过图神经网络和注意力机制来高效学习时间序列数据中的潜在关系，并建议使用分层信号分解来捕捉多个空间依赖关系，实验证明我们的模型在长期预测任务中优于现有模型，平均均方误差 (MSE) 减少了 23%。

Nov, 2023

提出一种概率多步时间序列回归的框架，使用序列到序列神经网络（如递归和卷积结构）的表达力和时间特性，量化回归的非参数特性以及直接多视角预测的有效性；并通过针对连续网络的分支序列新训练方案来提高稳定性和性能。通过预测亚马逊销售的商品未来需求和公共概率预测竞赛来展示该框架的性能。

Nov, 2017

金融服务行业中，根据历史和当前市场环境来预测风险因素分布是市场风险建模和风险价值 (VaR) 模型的关键。本研究应用多个现有的深度生成方法，如 CGAN、CWGAN、Diffusion 和 Signature WGAN，以及提出并测试两种新方法进行条件多步时间序列生成，即编码器 - 解码器 CGAN 和条件 TimeVAE。此外，我们引入了一个全面的框架和一组关键绩效指标 (KPIs)，用于衡量金融建模中生成时间序列的质量。KPIs 包括分布距离、自相关和回测。在历史美元收益曲线数据和从 GARCH 和 CIR 过程模拟的附加数据上测试了所有模型 (HS、参数模型和神经网络)。研究表明，HS、GARCH 和 CWGAN 模型是表现最好的模型。此领域中的未来研究方向也在研究中进行了讨论。

Jan, 2024

本研究提出了一种名为 VHVM 的端到端神经网络体系结构，能够对多元金融时间序列中的异方差行为进行建模，并在多元外汇数据集上展示了其对比 GARCH 和 SV 模型的有效性。

Apr, 2022

我们提出了一个新的数据驱动模型，Multi-Horizon SpatioTemporal Network (MHSTN)，以准确高效地进行细粒度的风速预测，该模型通过整合多个深度神经网络来处理各种数据来源，并为给定区域内的所有站点产生多时间段的预测。

Sep, 2023

该研究提出了一种面向多变量时间序列数据的图神经网络框架，采用图学习模块提取自动生成的变量之间的关系，同时运用新颖的混合传递和膨胀创新层捕捉时间序列中的空间和时间相关性，而这些模块被联合学习在一个端对端框架中。实验结果表明，该模型的性能在 3 个基准数据集上优于现有最先进方法，并在提供额外结构信息的两个交通数据集上实现了与其他方法相当的性能。

May, 2020

提出了一种名为基于记忆的时序网络的深度学习模型，具有较强的可解释性，旨在解决传统方法无法捕捉复杂模式或在多重变量中融合信息的问题。

Sep, 2018

利用分层概率生成模块和可变生成动态模型，Hierarchical Time series Variational Transformer (HTV-Trans) 恢复时间依赖性中的固有非平稳信息，实现对多变量时间序列（MTS）的预测任务。

Mar, 2024

本论文提出了一种自监督生成建模框架，用于联合学习多模态数据的概率潜在状态表示和相应的动态，并且该方法在机器人学方面有显著的预测和表示质量改进。

Apr, 2022

本文提出了一种新的基于分层全局视图引导的序列表示学习框架，其中将全局图嵌入模块与和谐 $eta$-attention 模块相结合，旨在进行有效的风险预测，实现了与其他基线方法相比具有竞争力的预测性能。

Nov, 2022