CounterfacTS 是一个用于通过反事实来探测深度学习模型在时间序列预测任务中的鲁棒性的工具，具有用户友好的界面，可视化、比较和量化时间序列数据及其预测结果，并允许用户以可解释的方式应用各种转换探索预测的变化。通过示例案例，我们说明了 CounterfacTS 如何用于识别时间序列集合的主要特征、评估模型性能的依赖性以及指导转换原始时间序列以创建具有期望属性的反事实，从而提高在数据分布的新区域中的预测性能，并讨论了在转换时间序列和创建有效的反事实时可视化和考虑数据在投影特征空间中的位置的重要性。总体而言，CounterfacTS 有助于创建反事实，以高效地探索原始数据未涵盖的假设情景对于时间序列预测任务的影响。

Mar, 2024

我们提出了一种创新的时间序列预测模型 TimeSieve，通过使用小波变换预处理时间序列数据并引入信息瓶颈理论过滤冗余特征，提高了预测准确性和泛化能力，解决了时间序列预测中的关键问题。

Jun, 2024

提出了一个自动化的时间序列预测（TSF）方法基准（TFB），通过解决数据集、比较方法和评估流程方面的不足，推动了时序预测方法的研究进展，包括数据领域覆盖、对传统方法的偏见以及评估流程的不一致和不灵活性。

Mar, 2024

提出了一种新的模型 FAITH，通过多尺度序列自适应分解和融合架构将时间序列分解为趋势和季节成分并分别处理，利用频域进行特征提取和处理，显著提高了处理长期依赖和复杂模式的能力，在长期和短期的时间序列预测任务中优于现有模型。

May, 2024

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

本文研究了时间序列预测中的表演性问题，在机器学习的视角下，提出了一种称为特征表演位移（FPS）的新方法，该方法利用延迟响应的概念来预测可能的分布变化，并相应地预测目标变量。通过在 COVID-19 和交通预测任务上进行综合实验，结果表明 FPS 始终优于传统时间序列预测方法，突出了其在应对表演性问题方面的效果。

Oct, 2023

本研究提出了 SeFT 的方法，该方法涉及时间序列分类及用于健康应用中的非规则采样和异步采样的设置功能，从而在高数据效率和可扩展性方面取得了优异的表现。

Sep, 2019

本文提出了一种基于超网络的框架，称为超时间序列预测（HTSF），它在分布漂移下可以实现准确的时间序列预测，并通过实验验证在 9 个基准测试中达到了最先进的性能。

Feb, 2022

使用 BasicTS 基准测试来解决多元时间序列预测中公正对比问题，并通过对丰富的多元时间序列数据集进行详尽的性能和效率比较，为研究人员选择和设计多元时间序列预测模型提供洞见。

Oct, 2023

时间序列预测是许多实际应用中的重要任务，但大部分时间序列预测技术都假设训练数据是没有异常值的。然而，在实践中，由于采集到的时间序列数据可能受到污染，这个假设是不现实的。因此，有必要开发方法从受到污染的数据中自动学习出一个鲁棒的预测模型。本文首先从统计视角定义了三种异常值，然后在这些异常值存在时进行了理论和实验分析损失稳健性和样本稳健性。基于我们的分析，我们提出了一种简单高效的算法来学习鲁棒的预测模型。大量实验证明我们的方法具有很高的稳健性，并且优于现有的所有方法。

Feb, 2024