该研究提出了神经傅里叶变换 (NFT) 算法，通过结合多维傅里叶变换和时间卷积网络层来提高预测准确性和可解释性，经过实证验证在多个预测时间范围和回顾期上表现出卓越性能，显著提高多变量时间序列预测的水平。

May, 2024

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

通过融合跨时间未来视图来改善多元时间序列预测的准确性，使用了多级表达法神经网络和卷积神经网络提取多层抽象表示。在三个实际数据集上的实验证明，与现有技术基准方法相比，我们的方法在 RMSE 度量上平均降低 4.59％，MAE 度量上平均降低 6.87％。

Dec, 2019

提出了一种名为基于记忆的时序网络的深度学习模型，具有较强的可解释性，旨在解决传统方法无法捕捉复杂模式或在多重变量中融合信息的问题。

Sep, 2018

本研究旨在比较不同深度学习模型在短期负荷预测方面的准确性，并针对葡萄牙的国家网联合短期负荷预测，进行多层感知器、N-BEATS、长短期记忆神经网络和时间卷积网络等一些具有代表性的自回归神经网络的评估，并进行后续分析以确定最合适的模型。结果表明，N-BEATS 模型始终优于其它深度学习模型，并且外部因素显著影响准确性，从而影响模型的实际和相对性能。

Feb, 2023

一篇研究时间序列的多变量预测的可解释神经网络模型，通过循环神经网络学习数据的时间依赖性，配合基于注意力的特征选择组件来选择最相关和抑制冗余的特征，通过独立训练选定特征的模块化深度网络，展示特征对结果的影响，从而使模型可解释。实验结果表明，该方法在时间序列的回归和分类任务中优于现有的可解释神经加性模型（NAM）及其变体，且达到与时间序列的非可解释方法 LSTM 和 XGBoost 相媲美的预测性能。

Nov, 2023

通过使用微分模糊卷积神经网络，本文提出的新模型具有学习能力和对非静态时间序列的预测准确性，其预测效果优于现有的模糊时间序列预测方法以及普通的时间序列预测算法，可进一步提高模糊时间序列预测的准确率。

May, 2023

短期负荷预测 (STLF) 对电网的日常运营至关重要。然而，电力需求时间序列的非线性、非平稳性和随机性使得 STLF 成为一项具有挑战性的任务。本研究通过考虑一组表示欧洲国家次日电力需求的 27 个时间序列，研究了一种名为迁移学习 (TL) 的特殊 STLF 情况下的性能。我们使用一种流行且易于实施的神经网络 (NN) 模型，并进行聚类分析以识别系列之间的相似模式并辅助 TL。在这个背景下，我们编译并比较了两种不同的 TL 方法，一种包括聚类步骤，一种不包括，并与传统的 NN 训练设置进行了比较。我们的结果表明，TL 可以胜过传统方法，特别是当考虑到聚类技术时。

Oct, 2023

通过深度学习构建融合多通道数据的网络（MCDFN），提高需求预测准确性并实现可解释性，优于其他七个深度学习模型，适用于供应链管理系统且为未来研究提供方向。

May, 2024

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