提出一种有效且轻量级的学习算法 —— 辛泰勒神经网络（Taylor-nets），用于基于稀疏、短期观察进行连续、长期预测复杂的哈密顿动态系统。该算法基于一种新颖的神经网络架构，它包含两个嵌入对称 Taylor 级数展开形式术语的子网络，并将四阶辛普勒积分器与神经 ODE 框架相结合，以学习目标系统的连续时间演化，同时保持其辛结构。在较小的训练数据、短训练周期（预测周期的 6000 倍）的情况下，该模型表现出了独特的计算优点，具有较高的预测精度、收敛速度和鲁棒性。

May, 2020

本文介绍了一种基于递归神经网络的时间序列预测框架，包括特征工程、特征重要性、点和区间预测以及预测评估，并使用 LSTM 和 GRU 网络进行了实证研究。

Jan, 2019

本文提出两种深度学习模型来准确预测相关时间序列，第一个模型在每个时间序列上使用卷积神经网络，第二个模型通过在每个时间序列上添加自编码器，实现了多任务学习。在两个现实世界的相关时间序列数据集上，实验证明所提出的两种模型有效且优于大多数基线。

Aug, 2018

本篇论文提出了一种名为 Tensor Time Series Network 的新模型，它包括两个模块，解决了如何结合时间序列的关系网络和如何建模时间动态的隐含关系等问题，并在五个真实数据集上的实验结果证明了该方法的有效性。

Feb, 2021

该论文提出了一个基于物理模型的深度神经网络框架（Phy-Taylor），该框架主要包括物理兼容神经网络（PhN）和物理引导神经网络编辑机制。PhN 通过引入泰勒级数展开的单项式，捕获物理相关的非线性，Phy-Taylor 具有较少的参数，加快训练过程，提供了更好的模型鲁棒性和准确性。

Sep, 2022

图形化深度学习方法在处理相关时间序列集合方面已成为流行工具，提出了一种全面的方法论框架，用于形式化预测问题并提供基于图形的预测模型的设计原则和性能评估方法，同时介绍领域概述、设计指南和未来研究方向的综述。

Oct, 2023

本文通过详实的实证研究和开源软件框架介绍了现有基于循环神经网络的预测模型，提出了针对这些模型使用的最佳实践和指导方针。研究发现，当数据集的时间序列具有同质季节模式时，RNN 能够直接模拟季节性；否则，建议事先对数据进行季节性去趋势处理。通过与 ETS 和 ARIMA 模型的比较，研究表明，实现了（半）自动化的 RNN 模型在许多情况下是可以竞争使用的。

Sep, 2019

本文提出了一个新的深度学习框架 —— Long- and Short-term Time-series network (LSTNet)， 用于解决多元时间序列预测等问题，并在复杂混合循环模式数据上实现了显著的性能提升。

Mar, 2017

该论文提出了一种用于时间序列预测的自上而下的金字塔式递归神经网络 TPRNN，通过构建不同尺度的子序列并执行多尺度信息交互模块，模拟了时间序列中多尺度时间模式的完整建模，实验证明 TPRNN 在七个真实世界数据集上取得了领先水平，相对最佳基准线平均提高了 8.13% 的 MSE 精度。

Dec, 2023

深度学习在时间序列预测方面取得了显著优势，然而在大流行预测领域仍存在挑战，如训练数据不足和模型的可解释性。此文献综述了几种先进的建模技术，并提供了进一步研究的建议。

Jan, 2024