本文提出了一种模块化和可解释的预测框架 SCNN，可以分离时间序列数据中的结构和异构组成部分，并分别预测其演变。在三个实际数据集上的实验证明了 SCNN 可以胜过现有模型并具有更好的可追溯性和可预测性。

May, 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

提出了一种基于生成模型的方法，使用动态高斯混合分布跟踪潜在群集的过渡，实现了时间序列的强大建模，具有参数化的神经网络和结构化推理网络，并引入了一个门控机制来动态调整高斯混合分布。

Mar, 2021

本论文提出了一种新的深度学习模型 Balanced Graph Structure Learning for Forecasting（BGSLF），该模型结合了图结构学习和预测，并通过引入 Multi-Graph Generation Network 和 Graph Selection Module 平衡了效率和灵活性的权衡，并在真实世界的四个数据集上进行了广泛的实验，取得了最新的性能表现。

Jan, 2022

为了实现准确的多元时间序列（MTS）预测，我们重新考虑了互信息的角度下的序列内部关系和序列之间的关系，并相应地构建了一个全面的关系学习机制，用于同时捕捉复杂的多级序列内部和序列间的耦合关系。基于该机制，我们提出了一种名为 DeepCN 的新型深度耦合网络，它由一个耦合机制、一个耦合变量表示模块和一个推理模块组成，分别用于同时探索时间序列数据中的多级序列内部和序列间关系、编码多样的变量模式，以及通过单个前向步骤进行预测。在七个真实数据集上进行的大量实验表明，我们提出的 DeepCN 相较于最先进的基准方法具有更出色的性能。

Feb, 2024

通过提出一种名为 UniTST 的基于 Transformer 的模型，该模型含有统一的关注机制和调度模块，可以直接建模时间序列数据中的复杂依赖关系，并在多个数据集上展现了出色的性能。

Jun, 2024

本研究提出了一种名为 MAGNN 的多尺度自适应图神经网络方法，用于预测多元时间序列中的内部变量相关性和跨变量相关性，通过多尺度金字塔网络和自适应图学习模块以及尺度级融合模块能够更好地处理不同时间尺度和相关性，实验证明，MAGNN 在多个数据集上都优于现有的方法。

Jan, 2022

STOIC 利用时间序列之间的随机相关性来学习时间序列之间的底层结构，以提供良好校准和准确的预测。在广泛的基准数据集上，STOIC 提供了约 16％更准确和 14％更好校准的预测。

Jul, 2024

本文提出了一种学习概率图模型的方法，该方法通过优化图分布的平均性能来学习未知的图结构，并且通过神经网络参数化图分布，能够可微分地对离散图进行采样。实证评估表明，该方法比最近提出的双层学习方法以及基于深度学习或非深度学习，基于图形或非图形的预测模型更为简单，高效，性能更好。

Jan, 2021

本文介绍了一种新的框架，通过提取和聚类高度激活 CNN 神经元的输入表征模式来解释多元时间序列数据，以捕获输入信号的作用和依赖关系，并构建一个捕获每层提取模式的时间关系的图形，最后使用图形嵌入算法生成可解释的时间序列特征表示。通过在 8 个 UCR/UEA 归档数据集以及 HAR 和 PAM 数据集上运行广泛的实验，证明了我们的时间感知基于图形的表征在 MTS 分类中具有明显优势，并丰富了它们的可解释性。

Jun, 2023