本文提出了一种能够全局认知并在本地进行校准的深度预测模型DeepGlo, 它是一个混合模型，将全局矩阵因式分解模型与另一个能够捕捉每个时间序列及相关协变量的局部属性的时间网络相结合，证明了DeepGlo对于高维时间序列的预测要比其他方法更加准确。

May, 2019

本研究介绍了一种新颖的时间潜在自编码器方法以实现多元时间序列的非线性分解，并通过解码器建模输入序列的复杂分布，得到极好的表现。

Jan, 2021

本研究提出了一种可扩展的分层预测方法，利用基础时间序列的系数对分层约束进行建模，并使用一个随时间变化的线性自回归模型，同时考虑了相对时间序列预测的协调约束，实验证明该方法相较于现有分层模型具有显著的预测性能提升。

Jun, 2021

通过将自适应图卷积网络集成到各种空间时序预测模型中，以解决多维预测中维度之间的关系难以捕捉的问题，并进行了多个数据集的实验测试，证明我们的建议框架在模型中引入后，其准确率提高了约10%。

May, 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

BasisFormer 是一种端到端时间序列预测架构，它利用可学习和可解释的基来获取基础。通过自适应的自监督学习获得基础，使用双向交叉注意力计算时间序列与基础之间的相似性系数，并根据相似性系数选择和整合未来视图中的基础，从而实现准确的未来预测。通过对六个数据集进行广泛实验，证明 BasisFormer 在单变量和多变量预测任务中分别超过先前的最先进方法 11.04% 和 15.78%。

Oct, 2023

复杂多元时间序列预测中，通过简单的线性模型结构来整合时间嵌入和空间信息的SpatioTemporal-Linear框架优于深度学习技术中的线性模型和Transformer模型在多种观测和预测时长的数据集上的性能表现。

Dec, 2023

我们的研究主要关注于考察与时间序列相关的特定超参数（如上下文长度和验证策略）对时间序列预测中最先进的MLP模型性能的影响，通过对20个时间序列预测数据集进行了4800种配置的广泛实验，我们的研究结果表明这些参数的调整对性能至关重要。此外，我们还引入了迄今为止最大的用于时间序列预测的元数据集TSBench，包括97200个评估，相较于该领域的先前作品增加了20倍。最后，我们展示了该创建的元数据集在多保真度超参数优化任务中的实用性。

Mar, 2024

本研究针对高维多变量时间序列（MTS）预测中现有通道依赖模型的性能不足问题进行了深入分析，发现主要问题在于无关序列引入的噪声和训练策略的挑战。我们提出了一种新颖的可扩展变换器STHD，结合稀疏关系矩阵、灵活的重索引训练策略和二维输入处理能力，显著提高了在高维数据集上的预测性能。

Aug, 2024

该研究解决了长期时间序列预测中难以同时考虑顺序和语义依赖的问题。论文提出了一种简化的Mamba模型，通过消除非线性激活和引入解耦依赖编码策略，显著提高了对交叉变量依赖的建模能力。实验结果显示，其在七个真实数据集上的预测性能优于现有模型，具有重要的应用价值。

Aug, 2024