本文提出了一种基于超网络的框架，称为超时间序列预测（HTSF），它在分布漂移下可以实现准确的时间序列预测，并通过实验验证在 9 个基准测试中达到了最先进的性能。

Feb, 2022

将非线性低维时间序列数据映射到高维空间进行线性高维预测，以实现快速、高效和轻量级的在线时间序列预测，并使用新颖的联合训练框架适应时间序列分布的变化。TSF-HD 在短期和长期时间序列预测中表现出优越性能，推理延迟较小。

Feb, 2024

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

基于我们观察到的非稳态统计与相位信息的内在联系，我们提出了一种时间序列学习框架 PhASER，包括相位增强、分离特征编码、特征广播等元素，以增强学习模型对不同分布的泛化能力，通过在人类活动识别、睡眠阶段分类和手势识别等 5 个数据集上的广泛评估，我们证明 PhASER 相对于现有基线方法平均提高了 5% 的性能，在某些情况下提高了 13%，此外，PhASER 的原则可以广泛应用于提升现有时间序列分类模型的泛化能力。

Feb, 2024

本文研究了时间序列预测中的表演性问题，在机器学习的视角下，提出了一种称为特征表演位移（FPS）的新方法，该方法利用延迟响应的概念来预测可能的分布变化，并相应地预测目标变量。通过在 COVID-19 和交通预测任务上进行综合实验，结果表明 FPS 始终优于传统时间序列预测方法，突出了其在应对表演性问题方面的效果。

Oct, 2023

深度学习在时间序列预测方面取得了显著进展，其中 Transformer 架构在处理长序列的语义相关性方面表现出色。研究综述了 Transformer 架构及其改进方法在长期时间序列预测任务中的应用，总结了公开的长期时间序列预测数据集和评估指标，并提供了关于在时间序列分析中有效训练 transformers 的最佳实践和技术，最后提出了该领域的潜在研究方向。

Oct, 2023

本研究基于日前葡萄牙国家 15 分钟分辨率净负荷时间序列，以深度学习结构 N-BEATS、LSTM 和 TCN 为重点，对 COVID-19 疫情期间的短期负荷预测进行比较研究，旨在增强能源公司和网络运营商的预测工具箱，并提高其对危机事件对模型性能的严重影响的认识，同时作为智能电网监管框架下高级模型评估、部署和可持续性指导。

Feb, 2023

该论文研究了在应用 Transformer 进行长期时间序列预测（LTSF）任务时的三个关键问题：时间连续性、信息密度和多通道关系，并提出了三种创新解决方案，构建了一种名为 PETformer 的新模型，通过广泛的实验证明 PETformer 在 LTSF 任务中取得了当前公共数据集上的最先进性能，优于其他所有现有模型，显示了 Transformer 在 LTSF 领域仍具有强大的能力。

Aug, 2023

该研究探讨了 Transformer 模型在美国爱荷华州 125 个不同位置的 120 小时溪流预测中的有效性。利用前 72 小时的数据，包括降雨量、蒸发蒸腾量和流量值，我们开发了一个通用模型来预测未来的溪流流量。我们的方法与通常依赖于特定位置模型的传统方法相反。我们将 Transformer 模型的性能与三个深度学习模型（LSTM、GRU 和 Seq2Seq）以及持久性方法进行了基准测试，利用 Nash-Sutcliffe 效率（NSE）、Kling-Gupta 效度（KGE）、Pearson 相关系数和归一化均方根误差（NRMSE）作为度量标准。研究结果显示 Transformer 模型的卓越性能，具有更高的中位数 NSE 和 KGE 分数，并展现出最低的 NRMSE 值。这表明它能够准确模拟和预测溪流流量，并能有效适应不同的水文条件和地理变化。我们的发现强调了 Transformer 模型在水文建模中作为先进工具的潜力，相比传统和现代方法具有显著改进。

Jun, 2024

HAILS 是一种新颖的概率层次模型，通过自适应地对不同分布假设的稀疏和密集时间序列进行建模，以遵循层次约束，从而实现层次结构中的精确和校准的概率预测。通过在实际需求预测数据集上进行评估，我们展示了我们方法的可扩展性和有效性。我们在一家大型化工制造公司部署 HAILS 进行产品需求预测应用，涵盖了成千上万个产品，结果显示预测准确性提高了 8.5％，稀疏时间序列的改进提高了 23％。增强的准确性和可扩展性使 HAILS 成为改进商业规划和客户体验的有价值工具。

Jul, 2024