本文针对多元时间序列系统，提出了一种基于聚类的方法，利用滑动窗口的方式从输入数据中提取子序列时间序列，并采用各种聚类技术和包括非线性在内的多种相似性度量方法，从而稳健地检测出如金融市场和环境数据等不同领域中的时序数据中的先导关系。

May, 2023

本文对多元时间序列数据的特征和 Channel Independent/Channel Dependent 策略进行了综合实证和理论分析，结果表明，CD 方法具有更高的容量，但常常缺乏精确预测分布漂移时间序列的鲁棒性，而 CI 方法则是在容量和鲁棒性之间进行权衡的。因此我们提出了 PRReg 方法来解决容量和鲁棒性之间的困境，并超越了 CI 策略，希望能提高研究人员对多元时间序列数据的认识并启发更好的预测模型的构建。

Apr, 2023

本文提出了一种基于线性模型的高效时间序列预测模型，其核心组成部分包括：（1）将单通道和多通道数据的不同语义进行集成，对数据进行联合预测；（2）使用一种新的损失函数来替代传统的 MSE 和 MAE 损失以达到更高的预测精度。在广泛使用的基准时间序列数据集上，我们的模型不仅性能优于当前的 SOTA，而且速度提高了 10 倍，并且比最新的 SOTA 模型参数更少。

May, 2023

通过结构知识驱动的连续学习框架 (SKI-CL)，在多元时间序列预测中，建立一个基于图结构学习的模型，并使用一致性正则化方案来优化预测目标，从而有效地处理不同阶段累积的多元时间序列数据，实现准确的预测和记忆依赖结构。

Feb, 2024

通过引入 Cross-variable Decorrelation Aware feature Modeling (CDAM) 和 Temporal correlation Aware Modeling (TAM) 技术，本研究提出了一种新的框架，通过最小化通道之间的冗余信息并增强相关的相互信息来改进 Channel-mixing 方法，在综合测试中明显超过了现有模型。

Mar, 2024

本文分析了金融工具之间的先导关系，扩展了已知方法，使用了互信息作为更一般的指标，敏感于非线性依赖性，可以导致更简单的统计验证过程，同时分析了 NYSE 100 数据中的滞后关系，包括日内水平和日常股票收益。

Feb, 2014

我们提出了一种基于可识别的潜在环境状态（IDEA）的方法来检测分布转变发生的时间，并通过充分观察假设来解耦稳态和非稳态潜在状态的变化，其中包括自回归隐马尔可夫模型来估计潜在环境和模块化先验网络来识别潜在状态。在各种基准数据集上，IDEA 模型优于几种最新的非稳态预测方法，突显了其在实际场景中的优势。

Feb, 2024

本研究提出了一种名为 CSC 的简单而有效的策略，用于线性模型，它提高了 CI 策略的性能并减小了参数大小，同时大大缩短了训练时间，并且还提出了一种基于自聚类的深度模型方法 CR，以及对于使用相同频道的历史值作为输入来预测未来值的讨论。研究结果希望能够启发出超越 CD/CI 的新解决方案。

Oct, 2023

FCDNet 是一个简洁而有效的框架，通过两个轻量级依赖构造器，从多层频率模式中自适应地提取长期和短期依赖信息，从而克服了先前方法所面临的限制，并显著超过强基线，平均改进了 MAE 的 6.82%、RMSE 的 4.98% 和 MAPE 的 4.91%。

Dec, 2023

对于多元时间序列数据集，通过广泛的实证分析比较研究了不同的滞后选择方法，发现滞后大小是准确预测的一个关键参数，交叉验证方法在滞后选择方面表现最佳，但与简单的启发式方法性能相当。

May, 2024