#时间序列预测

ProtoFlow用学习到的原型先验替代通用噪声初始化，加速训练收敛，在时间序列预测任务上表现优异。

JudgeCast用TSFM+LLM组合做预测，通过协变量判断和经验验证提升准确性，比传统方法更可靠。

一篇把 SNN 做时间序列预测的论文，用 FSSE 和 SSCA 两个模块在 12 个基准上拿了最好成绩，能耗还是已报道最低，做时序预测的可以看看。

用完全冻结的MAE视觉模型做时序预测，加上VCR和TPR两个模块，在10个数据集上跑赢了现有方法。

MetaCaster能从少量数据中训练出高效的轻量级时间序列预测器，对于资源有限的环境来说是个不错的选择，特别是与现有的轻量级预测器相比。

ConceptTS利用大型语言模型实现可解释的多变量时间序列预测，提供更直观的预测解释，适合需要理解预测因素的场景。与黑盒基线相比，准确性相当，值得一试。

研究人员提出了 DecoVAE，一个专门用于时间序列预测的轻量级 VAE 框架。它把时间序列拆成趋势和季节性两部分来处理，在多个基准测试上比其他方法更准，而且模型更小、速度更快。

时间序列预测想同时要准均值和好分布？TORF用两阶段把这两件事拆开做，不用采样就能保住均值，短长期都跑赢了现有方法。

TS-RAG把RAG用在时间序列预测上，用参考标记融合相似序列，多个基准拿SOTA，做预测的可以看看。

这篇论文对付时序预测里的周期漂移，用SO(2)旋转加相位注意力，想法挺巧妙。

CrossRAG把RAG用到时间序列预测上，能检索历史相似形状，靠未来一致性挑参考，七个基准都超过了老方法。

这篇论文提出了DRIFT，一种ICU生理轨迹预测新方法，在MIMIC-IV和eICU-CRD上比TFT-action的MAP误差低0.67%，尤其在治疗序列变化时表现更准。

这篇论文澄清了一个常见误解：别拿频谱指标来判断加上下文有没有用。作者给出了新诊断方法，实验做得扎实。

时间序列预测新方法，GatedLinear用三个线性基自动选最适合的组合，比大模型更轻量还更准。

这篇论文的Exformer模型专门处理时间序列中的极端事件，比如洪水，比普通Transformer在3天预报上表现更好。

这篇论文发现，调好预处理参数，线性模型就能干翻Transformer等复杂模型，不用堆算力。

这篇论文把已知图结构嵌入神经微分方程里做时间序列预测，效果比没加图信息的NCDE更好。在河流流量和交通流数据上都有提升，对图和时序结合感兴趣可以看看。

这篇论文用McWC模型同时处理周期、趋势和通道相关性，在六个数据集上最准，算得还快，值得看。

这篇论文用纯光学硬件做时序预测，在多个基准上不输甚至超过数字模型，为低功耗预测提供了新思路。

这篇提出了RAID，用元数据语义和图扩散搞定时间序列冷启动预测，精度高、跨语言、延迟还低，挺实用的。

做时间序列预测的团队终于有了一个能处理业务上下文的实用方案——LLM Agent 自动整合节假日、活动等非结构化信息，让统计预测直接变成决策可用的结果，值得做预测的开发者点开看看。

做时间序列预测的团队终于有了理论依据——长窗口不只是为了捕捉长依赖，更是为了降低过程识别的不确定性，建议做预测架构设计的开发者仔细看看。