本文介绍了 LightTS，一种基于简单的 MLP 结构和两种精细的下采样策略的轻量级深度学习架构，用于多元时间序列预测，它具有高效、鲁棒和与先前 SOTA 方法相比更好的性能优势。

Jul, 2022

通过 SEARCH 可自动生成适用于大规模数据的优化深度学习架构，达到比人工设计与现有的自动生成 CTS 模型更好的性能表现。

Nov, 2022

该研究论文提出了一种基于多层感知器的模型（SOFTS），它利用了一个新颖的 STar 聚合调度（STAD）模块，通过将所有系列聚合成一个全局核心表示，再与各个系列表示进行调度和融合，以有效促进通道间的交互，实现了优于现有最先进方法的性能，且具有线性复杂度。

Apr, 2024

SparseTSF 是一种全新的、极其轻量级的用于长期时间序列预测（LTSF）的模型，通过最小化计算资源，解决了在扩展时间范围内对复杂时间依赖性进行建模的挑战。SparseTSF 的核心是交叉周期稀疏预测技术，通过降采样序列来专注于交叉周期趋势预测，有效提取周期特征并减小模型复杂性和参数数量。基于该技术，SparseTSF 模型使用少于 1k 个参数实现了与最先进模型相媲美或更优的性能。此外，SparseTSF 展示了显著的泛化能力，适用于计算资源有限、样本较少或质量较低的情境。

May, 2024

提出了 CLeaRForecast，一个新颖的对比学习框架，通过提供更纯净的时间序列表示和净化方法，解决了时间序列数据中存在的高影响噪声导致的表示不准确和预测性能下降的问题。实验证明 CLeaRForecast 在各种下游时间序列预测任务中具有卓越的性能。

Dec, 2023

研究表明在历史电负荷数据有限的情况下，机器学习模型在负荷预测中的准确性受到限制。该论文探讨了大规模时间序列模型（TimeGPT）在历史数据有限的负荷预测中的潜力，并通过训练模型适应数据分布和特征，取得了在短期预测中超越其他机器学习模型和统计模型的成果。然而，由于负荷数据与训练数据之间的分布差异可能会影响 TimeGPT 的性能，因此在实际应用中需要使用验证集损失来确定是否选择 TimeGPT。

Apr, 2024

基于大规模语言模型和交叉模态对齐，提出了 TimeCMA 框架，用于多变量时间序列预测，实验证明其准确性和高效性。

Jun, 2024

时间序列生成（TSG）是在许多应用中不可或缺的一种关键技术，本文提出了一种针对数据稀缺情况的可控时间序列生成（CTSG）问题，并介绍了具有出色性能的 CTSG 框架 CTS 及其在生成高质量可控输出方面的应用。

Mar, 2024

CounterfacTS 是一个用于通过反事实来探测深度学习模型在时间序列预测任务中的鲁棒性的工具，具有用户友好的界面，可视化、比较和量化时间序列数据及其预测结果，并允许用户以可解释的方式应用各种转换探索预测的变化。通过示例案例，我们说明了 CounterfacTS 如何用于识别时间序列集合的主要特征、评估模型性能的依赖性以及指导转换原始时间序列以创建具有期望属性的反事实，从而提高在数据分布的新区域中的预测性能，并讨论了在转换时间序列和创建有效的反事实时可视化和考虑数据在投影特征空间中的位置的重要性。总体而言，CounterfacTS 有助于创建反事实，以高效地探索原始数据未涵盖的假设情景对于时间序列预测任务的影响。

Mar, 2024

我们提出了一种有效且高效的基于内容的时间序列检索模型，超越了其他模型，在提供合理的推理运行时间的同时，展示了解决业务问题的能力。

Oct, 2023