- 时间序列的早期分类：分类体系和基准
提供了一个早期分类的时间序列问题的评价方法，并通过一系列实验评估了九种现有算法的性能，同时还介绍了一个包含大多数现有算法的开源库。
- 使用高阶 Markov 切换模型识别非平稳因果结构
通过建立高阶马尔可夫切换模型的可辨识性，我们提出了基于制度依赖因果关系的发现方法，并通过实证研究展示了该方法在高阶制度依赖结构估计上的可扩展性，并对脑活动数据的适用性进行了说明。
- 元学习和数据增强用于压力测试预测模型
本文提出了一种名为 MAST（元学习和数据增强用于压力测试）的新型框架，旨在对单变量时间序列预测模型中的压力进行建模和表征，重点关注其在出现大误差的条件下的表现；该方法基于一组统计时间序列特征，通过元学习预测给定时间序列上给定模型表现不佳的 - 深度学习中的预测：超越平均值的平均值性能
准确评估预测模型对于确保可靠的预测至关重要。我们提出了一个新的框架，从多个角度评估单变量时间序列预测模型，比如一步预测和多步预测。通过与经典预测技术比较，我们展示了这一框架的优势，并发现 NHITS 在多步预测上表现最佳，同时在异常处理方面 - aeon：一款用于学习时间序列的 Python 工具包
aeon 是一个用于时间序列的机器学习任务的统一 Python 3 库，包括时间序列预测、分类、外部回归、聚类等模块，以及用于时间序列数据的各种实用工具、转换和距离度量。它还有一些用于异常检测、相似性搜索和分割等任务的实验模块，遵循尽可能与 - 基于 Transformer 的时间序列符合预测
利用 Transformer 架构的符合预测方法通过捕捉长期记忆和长程依赖，以 Transformer 解码器作为条件分位数估计器来预测预测残差的分位数，从而估计预测区间，并通过综合实验证明该方法在模拟和真实数据上相较于现有的符合预测方法具 - 降水预测的深度学习：从时间序列预测的角度看调查
近期基于深度学习的时序降水预测模型研究进展与性能评估综述
- 规范化整合域：从点云中重建动态形状
我们提出了规范合并场（CanFields）：一种将独立采样的时间序列点云重建为单一变形的连贯形状的方法。我们的方法通过将点云合并成一个规范形状来减少噪声和离群值的影响，并且允许我们处理缺失的区域。通过同时重构引导变形的速度场，我们保留了几何 - 时序预测的时间科尔莫戈洛夫 - 阿诺德变换
我们提出了 Temporal Kolmogorov-Arnold Transformer (TKAT) 模型，这是一种新颖的基于注意力机制的架构，旨在通过时间 Kolmogorov-Arnold 网络来捕捉多元数据流中的复杂时间模式和关系， - 时间序列量子生成模型在金融数据中的应用
该研究将时间序列生成模型应用为量子生成模型，以实际的金融数据为基础，生成了两个相关时间序列的未来数据，并与长短期记忆和向量自回归等经典方法进行比较；此外，进行了数值实验来完成缺失值，评估了时间序列量子生成模型的实际应用性，结果表明与经典方法 - ECATS: 基于概念的可解释度异常检测方法用于时间序列
通过 ECATS 的概念化神经符号架构，利用核函数方法对信号时序逻辑公式进行学习，实现了对复杂性网络的类别预测和有意义解释的提取。
- 基于物理的图神经网络用于多变量时间序列缺失值填补
通过融合动态的高阶空时 GN，通过使用空间注意机制生成动态拉普拉斯矩阵，并使用物理动态系统的普遍非齐次偏微分方程来构建高阶空时 GN，以获得缺失的时间序列值，并通过归一化流来评估图中每个节点的重要性从而更好地解释缺失的影响。
- LaT-PFN：一种用于上下文时间序列预测的联合嵌入预测架构
LaT-PFN 是一种具有强大嵌入空间的时间序列模型，可以实现零点预测，并通过利用 JEPA 框架和 PFN 框架进行上下文学习来改善结果。
- 时间序列模型的联合预测区域
应用机器学习算法构建预测区间是一个具有挑战性的问题，特别是在时间序列上。本研究实现了 Wolf 和 Wunderli 的方法来构建联合预测区间，并与其他方法进行比较。该方法基于自助法，并应用于不同的数据集和预测器。研究结果显示，强预测器（如 - 时间序列数据增强的不平衡学习问题
这篇研究提出了一种生成单变量时间序列合成样本的新方法，通过使用过采样技术创建合成时间序列观测来改善预测模型的准确性，并在实验中证明了该方法优于全局模型和本地模型，提供了更好的权衡。
- 具有随机连接矩阵的线性水库的分离能力
通过研究谱分解和矩阵的矩的关系，我们论证了储水池计算的成功取决于储水池的分离能力。对于具有高斯矩阵且对称或独立的储水池，我们分别证明了分离能力随时间的恶化，以及当矩阵条目与输入时序的最大长度相关时，大储水池在短输入情况下的最佳分离效果。通过 - 深度学习中的即时数据增强技术用于预测
利用 OnDAT (即时数据增强) 方法，在深度学习模型的训练和验证过程中动态生成不断变化的增强数据集，以减少过拟合并提高预测性能。通过实验证明，与在训练之前应用数据增强的策略以及不采用数据增强的策略相比，OnDAT 方法能够获得更好的预测 - 语言模型对于时间序列零样本推理仍然存在困难
时间序列推理是语言模型研究中一个有影响力但尚未充分发展的方向，本研究提出了一个新颖的时间序列推理评估框架，研究了三种推理形式的表现，并发现语言模型在时间序列推理方面仍存在局限性。
- 状态空间模型的变分量化
使用离散状态空间隐马尔可夫模型、最新的神经网络架构和受向量量化变分自动编码器启发的训练过程，结合大数据集中成千上万个异构时间序列的预测任务是众多领域的一个关键统计问题。我们提出了一种新的预测模型，引入了离散后验分布和两阶段训练过程，从而提供 - 利用发病数据进行疾病爆发和非爆发的早期检测
研究以无实际训练数据为基础，利用基于特征的时间序列分类方法准确预测疾病爆发和非爆发。通过对合成数据和真实数据集的测试，发现在爆发发生之前可以通过统计特征和早期预警信号指示器区分爆发和非爆发序列。