本研究介绍了一种名为Autoformer的时间序列长期预测模型，它采用了一种新颖的基于自动相关性机制的分解体系结构，用于处理复杂时间序列，取得了超过现有最优结果38%的相对改进。

Jun, 2021

本文介绍了一种名为MMM的新型神经网络的自主学习框架，能够结合过去的时间信息和未来的已知信息进行时间序列预测，实验表明这种方法不仅胜过传统的基于样本或回归的方法，而且训练出的神经网络的推理速度与传统回归训练的时间序列预测模型相当，因此是一种比现有回归训练的时间序列预测模型更好的选择。

Sep, 2022

通过预训练技术，我们提出了一种基于自编码器的气象模型 W-MAE 用于多变量天气预报，在长时间范围内建模了气象变量的空间相关性，在时间尺度上，我们利用预训练的 W-MAE 对气象变量进行未来状态的预测，与 FourCastNet 模型进行比较，W-MAE具有更好的降雨预测性能，特别是在短到中期范围内的预测中。

Apr, 2023

该研究论文介绍了一个名为Asymmetric Receptive Field Autoencoder (ARFA)的模型，其通过设计不同功能的感受野模块来解决处理时空相关性的挑战，使用中国内陆地区特有的降水特征的雷达回波数据集RainBench，实验证明ARFA在两个主流时空预测数据集和RainBench数据集上实现了一致的最先进性能，从而推进了时空预测的未来研究。

Sep, 2023

该研究提出了一种基于空间 - 时间蒙面自编码器（STMAE）的多元时间序列（MTS）预测框架，利用蒙面自编码器来增强空间 - 时间基线模型的性能，并通过在多个MTS基准上进行广泛实验来证明其在提高MTS预测能力方面的潜力。

Sep, 2023

人工智能在地球和大气科学领域日益采用数据驱动模型，通过深度学习技术对地球系统的混沌和非线性方面进行解码，以及通过理解天气和气候数据来应对气候挑战。这篇综述全面介绍了针对天气和气候数据专门设计的最先进的人工智能方法，特别关注时间序列和文本数据，同时深入研究了该领域的挑战，并提出了未来研究的详细意见。

Dec, 2023

通过使用多尺度层次掩蔽时间序列建模方法，HiMTM在提升多尺度特征提取能力的同时，通过实验证明其在时间序列预测准确性上具有明显优势，并在天然气需求预测领域得到了有效应用。

Jan, 2024

该研究通过使用自适应傅立叶神经算子 (AFNO) 模型以及提出的时间滑动方法对ECMWF重新分析v5 (ERA5)数据集进行扩充，采用低分辨率数据开创性地改进了现有的气象预测方法，从而提高了大气状况预测的准确性，并证实了该模型反映当前气候趋势的能力和预测未来气候事件的潜力，为气候建模领域提供了更具可行性和包容性的路径。

Feb, 2024

本研究针对时间序列预测中的跨域差距和域内异质性问题，提出了一种利用丰富自然图像构建时间序列预测基础模型的新方法。通过将时间序列预测任务再构造为图像重建任务，并使用自监督预训练的视觉掩码自编码器，VisionTS在无进一步适应的情况下展现出优越的零样本预测性能，显示出视觉模型在时间序列预测中的潜力。

Aug, 2024

本研究解决了气候变化中天气预报模型的适应性问题，展示了当前最先进的机器学习模型在不同气候状态下依然具有良好的预报能力。研究结果表明，尽管存在全球平均冷偏差，机器学习模型在气候科学上的应用潜力巨大，可以支持气候变化的减缓与适应，并对传统物理模型形成有效补充。

Sep, 2024