本文提出了一种基于卷积神经网络和大内核的先进纯卷积结构，用于捕捉多变量时间序列中的跨时间和跨变量依赖关系，实验结果表明这种方法在时间序列预测中获得了最先进的性能。

Jun, 2023

通过 Transformer 架构，GridTST 模型将时间序列数据视为网格，结合创新的多方向关注机制，同时考虑时间和变量维度，提升了分析能力，并在各种真实数据集上实现了最先进的性能。

May, 2024

多分辨率卷积和可变形卷积操作的自适应时变卷积网络（ATVCNet）在多变量时间序列的局部 / 全局时间依赖和变量间依赖建模方面取得了显著改进，通过不同扩张因子的卷积核扩大感受野以捕捉不同分辨率间的时间相关信息，并通过附加的偏移向量自适应调整采样位置，增强网络捕捉变量间相关特征的能力，通过提取和融合不同分辨率的时间序列特征，在时间序列中捕捉到了局部背景信息和全局模式，并且设计的变量间特征自适应提取模块捕捉了时间序列中不同变量间的相关性，实验结果表明，ATVCNet 相较于现有的 MLSTF 模型性能提高了近 63.4%。

May, 2024

提出了基于变换的网络架构设计计划，包括傅里叶变换、奇异值分解、矩阵乘法和卷积块。这些变换机制在学习中具有增强的可接受范围，可以跨尺度融合特征。经过多次测试比较，基于该设计计划的 TLNets 在长期时间序列预测方面表现有明显的潜力。

May, 2023

多元时间序列预测：提出了 Variable Correlation Transformer (VCformer) 模型，通过 Variable Correlation Attention (VCA) 模块挖掘变量之间的相关性，并结合 Koopman Temporal Detector (KTD) 来处理时间序列的非平稳性，实验证明 VCformer 在真实数据集上取得了优异的性能。

May, 2024

该研究提出了一种具有线性复杂度的 Context Neural Network 方法，可以有效地为时间序列模型提供和其邻近时间序列相关的上下文见解，从而丰富预测模型，解决全局模型的局限性，并且对于大型数据集具有可计算性可扩展性。

May, 2024

该研究提出了一种面向多变量时间序列数据的图神经网络框架，采用图学习模块提取自动生成的变量之间的关系，同时运用新颖的混合传递和膨胀创新层捕捉时间序列中的空间和时间相关性，而这些模块被联合学习在一个端对端框架中。实验结果表明，该模型的性能在 3 个基准数据集上优于现有最先进方法，并在提供额外结构信息的两个交通数据集上实现了与其他方法相当的性能。

May, 2020

本研究设计了一个掩模时间序列实验来验证注意力模块在捕捉跨时间依赖方面的有效性，并提出了一种名为 Client 的先进模型，它采用线性模块学习趋势信息和注意力模块捕捉跨变量依赖关系，并将位置和解码器模块进行了简化，Client 通过加入非线性和跨变量依赖关系，使其与传统线性模型和基于 Transformer 的模型不同。实验发现，Client 在九个真实数据集上的表现最优，并且计算时间和内存消耗最少。

May, 2023

该论文介绍了一种新的框架 PSTA-TCN，该框架将并行时空关注机制与轴承温网络相结合，从而达到了更长的记忆，并且使用并行计算大大缩短了训练时间，可以更好地用于多元时间序列预测任务。

Mar, 2022

提出了一种基于多模型 Transformer 的深度学习架构，通过整合临床记录，实现了对心血管疾病的多类别检测，并为实现临床和急诊环境下的实时患者状态监测奠定了基础。

Feb, 2023