通过系统比较卓越时间序列特征库中的时间序列的适当特征化表示形式，可以捕捉时间序列的动态特性，为时间序列应用程序提供高效的聚类和分类能力。我们通过减少时间序列特征的数量，从和特性库中的原始数量的 4791 种特征中提取出一个名为 catch22 的定义良好、准确有效并不冗余的时间序列特征集，这个集合只包含有 22 个时间序列特征。这种降维数据的方法可以在保持准确性的情况下大大减轻计算负担，并通过让科学、工业、金融和医学应用程序可以使用一种可解释性的时间序列特征语言，从而促进其应用。

Jan, 2019

该文章提出了一种新的表示法——NP-Free用于实时处理无限长度的时间序列数据，它基于长短时记忆和一种回溯和预测策略将原始数据转换为一系列均方根误差值。文章在多个真实世界的时间序列数据集上验证了NP-Free的效果，并对其计算时间进行了评估。

Apr, 2023

提出 Mining Causal Natural Structure (MCNS) 框架，通过内部因果关系方案在时间序列中发现因果关系结构，进而改善神经网络的性能，在时间序列分类任务中通过改进注意力机制、形状选择分类和修剪数据集等方式提高网络的准确性和可解释性，并提供时间序列和数据集的深入可靠总结。

Sep, 2023

对利用大型语言模型（LLMs）进行时间序列分析的现有方法进行了系统概述，总结了基于LLM的时间序列分析的一般流程，并探讨了未来的研究机会。

Feb, 2024

Caformer是一种从因果性角度进行时间序列分析的新框架，该框架包括动态学习器、环境学习器和依赖关系学习器，能够有效地捕捉跨维度和跨时间的依赖关系，并解决环境因素引起的伪相关问题。该方法在长期和短期预测、补全、分类和异常检测等五个主流时间序列分析任务中表现出一致的最先进性能和合适的解释性。

Mar, 2024

时间序列分析基于FMs的模型设计范式的最新进展，强调其理论基础、发展的最新步伐和未来研究探索的途径。

Mar, 2024

提出了一个评估大型语言模型（LLM）在时间序列理解方面能力的框架，包括单变量和多变量形式；通过研究时间序列的特征以及设计和合成数据集来评估LLMs在时间序列理解方面的能力，并揭示了LLMs对数据格式、查询数据的位置和时间序列长度等因素的敏感性。

Apr, 2024

对时间序列进行分析的基础模型的研究和应用，包括从头开始预训练基础模型和适应大型语言基础模型进行时间序列分析的方法，并提供了一种3E分析框架和一个领域分类系统来帮助该领域的发展。

May, 2024

该论文通过对设计深度时间序列模型的研究，从基本模块和模型结构的角度，综述了时间序列分析任务的现有文献，并开发并发布 Time Series Library (TSLib) 作为深度时间序列模型的公正评估基准，对不同任务评估了 12 种先进的深度时间序列模型并提供了洞见。

Jul, 2024

本研究解决了传统卡尔曼滤波在时间序列分析中面临的高斯假设和变量选择效率低下的问题。我们提出了一种新颖的状态空间学习（SSL）框架，利用正则化的高维回归来提取时间序列的隐含成分并优化变量选择。实验结果表明，该方法在变量选择的准确性和预测性能上优于传统模型，扩展了其在其他工程领域的应用潜力。

Aug, 2024