提出了一种名为 FormerTime 的模型，结合特征金字塔和 Transformers 模型，解决了时间序列分类中长期依赖性建模和计算效率的问题，并在 10 个 UEA 存档数据集上获得了比竞争基线更好的分类性能。

Feb, 2023

本文提出了一种名为 Ultra-Fast Shapelets 的新方法，使用多个随机形态来替代传统的高开销形态发现方法，能够快速、高质量地应用于长且多元时序分类，并且可成功应用于 15 个数据集上。最后，探究了在形态分类器上使用时间序列导数的可能性，并且证明了其使用对形态分类器具有积极的影响，其集成方法简便，不需要调整形态发现算法。

Mar, 2015

本研究扩展了形态子序列变换方法以处理不规则采样的多元时间序列，并通过连续时间公式学习形态子序列的长度和时间序列之间的相似度，同时保持了高效性和可解释性。

May, 2020

本文提出了一种新的自动编码器形状子序列 (AUTOSHAPE) 方法，该方法采用了最新的自监督损失指导潜在表示学习，并引入多样性损失来选择统一空间中的区分嵌入，以从时间序列子序列中确定高质量的可变长度形状子序列，并且将自动编码器用于生成高质量的形状子序列用于聚类。 结果表明，AUTOSHAPE 是所有方法中表现最好的。

Aug, 2022

通过组织 shapelets 并使其在不同时间上竞争来构建多样的特征表示，Castor 算法利用 shapelets 对时间序列进行转换，通过广泛的实证研究证明 Castor 提供了比多个最先进的分类器更准确的转换，并且在广泛的消融研究中，我们检验了选择超参数的影响并提供了准确且高效的默认值。

Mar, 2024

本研究提出基于两层时间因素的时序感知形状子序列提取方法，以及形状子序列演化图谱，并将其应用于图嵌入算法中以获得更加准确和解释性的时间序列建模。实验证明，该方法在公共数据集和真实数据集中都取得了较好的效果。

Nov, 2019

利用弱监督学习将多变量时间序列分类重新定义为多实例学习问题，通过引入基于时间感知的多实例学习池化，结合专门设计的可学习小波位置标记的令牌化变换器，以更好地定位和建模时间序列中感兴趣的模式，并表明该方法在多变量时间序列分类方面的优越性。

May, 2024

本文提出了一种基于 Transformer 的多元时间序列预测和自我监督表征学习的有效设计，它基于两个关键组件：时间序列划分为子序列级别的片段，这些片段作为输入标记传递给 Transformer；通道独立性，其中每个通道包含一个单变量时间序列，其在所有系列中共享相同的嵌入和 Transformer 权重。PatchTST 可以显著提高长期预测准确性，超越 SOTA Transformer-based models，并在自我监督预训练任务中实现出色的微调性能。

Nov, 2022

我们提出了通用时间转换器（GTT），这是一个仅基于编码器的风格基础模型，用于零样本多变量时间序列预测。实验结果表明，GTT 在未见过的时间序列数据集上展现出优越的预测能力，甚至超过了最先进的监督基线模型。此外，我们还研究了 GTT 模型参数和训练数据集规模变化的影响，观察到缩放定律在零样本多变量时间序列预测中也成立。

Feb, 2024

基于 Dozer Attention 机制的 Dozerformer 框架在多元时间序列（MTS）预测任务中取得了出色的性能，该机制通过解决注意力机制中的两个关键限制，即二次时间复杂度和基于整个历史序列生成未来值的问题，来捕捉 MTS 数据的局部性、季节性和全局时间依赖性。

Dec, 2023