在智慧城市的变革环境中，将前沿的网络技术与时间序列预测相融合，为城市规划、可持续发展和经济增长提供了重要机遇。深度神经网络的进步显著提高了预测性能，然而，这些模型对于不同于训练数据分布的时间序列数据的泛化能力仍然存在挑战。我们提出了一种在不同城市环境下获得不变表示的解决方案，以取代仅依赖于城市环境之间的偶然相关性以提高模型的泛化能力。通过对合成数据和真实数据进行广泛实验，我们证明了我们的方法在应对变化城市环境的领域转移时优于传统的时间序列预测模型。我们的方法的有效性和鲁棒性可以推广到包括气候模型、城市规划和智慧城市资源管理在内的多个领域。

May, 2024

本研究发现，虽然静态计算机视觉任务的 OOD 泛化已被广泛研究，但时间序列任务的 OOD 泛化未被充分探索，作者提出了 WOODS, 包含 8 个挑战性的时间序列基准测试，结果表明在这些数据集上的经验风险最小化和 OOD 泛化算法有很大的改进空间。

Mar, 2022

本文第一次尝试对 OOD 问题的可学习性和扩张函数进行严格和量化的定义，并引入了一个新的扩张函数概念来量化不变特征的方差程度，进而证明了 OOD 泛化误差界，实验证明我们的模型选择标准相比基线有显著优势。

Jun, 2021

这篇论文提出了 DIVERSIFY，一个用于时间序列的动态分布的离群检测和泛化的通用框架，通过结合已有的离群检测方法和直接利用分类输出来改善非平稳性引起的问题，理论和实验结果表明 DIVERSIFY 学习到了更广义的特征，并且明显优于其他基线模型。

Aug, 2023

将非线性低维时间序列数据映射到高维空间进行线性高维预测，以实现快速、高效和轻量级的在线时间序列预测，并使用新颖的联合训练框架适应时间序列分布的变化。TSF-HD 在短期和长期时间序列预测中表现出优越性能，推理延迟较小。

Feb, 2024

这篇论文介绍了一种针对决策树模型的 OutOf-Distribution（OOD）泛化的新颖有效解决方案，名为不变决策树（IDT）。IDT 通过在树的生长过程中对于不同环境下分割的不稳定 / 变化行为施加惩罚项来实现 OOD 泛化。通过理论结果和合成以及真实数据集的数值测试，证实了所提出的方法的优越性能，表明决策树模型的 OOD 泛化是绝对必要且应该更加关注。

Dec, 2023

本文提出 Dish-TS，一种用于缓解时序预测中分布漂移的神经范式，包括对输入和输出窗口进行分离学习和更有效的训练策略，实验证明其能够在多个数据集上带来平均超过 20% 的性能提升。

Feb, 2023

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

该论文探讨了如何绕过测试分布的要求以训练分布转换器，并在多领域和单一领域的广义数据集上进行了实验。他们提出了一种便携式的分布漂移反演算法，通过线性组合附加高斯噪声并使用仅在源分布上进行训练的扩散模型将 OoD 测试样本转移到训练分布中。

Jun, 2023

该研究论文系统而全面地讨论了 Out-of-Distribution generalization 问题，其中包括它的定义、方法论、评估以及对未来的启示和发展方向，以及包括无监督表示学习在内的现有方法。

Aug, 2021