时间序列预测相关 AI 资讯

8月21日

10:00

官方账号arXiv cs.LG@Alexander Marusov, Dmitry Anikin, Alexey Zaytsev

DecoVAE 是一个轻量级可解释的趋势-季节性 VAE 框架。该模型通过领域特定的归纳偏置，将时间序列显式分解为趋势和季节性成分。在七个真实世界基准测试中，DecoVAE 在短期预测上实现了 14.96% 的 CRPS 和 23.30% 的 NMAE 降低。在长期预测上，其 CRPS 和 NMAE 降低分别高达 52.68% 和 26.51%。同时，该模型在保持高效率方面表现突出，模型权重减少了 93%，速度提升了 74%。

论文 DecoVAE 时间序列预测概率预测

推荐理由：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。

原文

8月12日

16:46

官方账号arXiv cs.AI@Kiran Madhusudhanan, Christian Klötergens, Lars Schmidt-Thieme, Vijaya Krishna Yalavarthi

TORF框架将均值预测与不确定性估计解耦，第一阶段用预训练确定性模型生成准确均值，第二阶段用严格奇函数的受限归一化流学习残差分布，无需采样即可保证均值保持。实验表明TORF在短长期预测中同时达到最优确定性精度（NMAE）和强密度估计性能（CRPS）。该方法解决了传统参数方法在联合NLL训练下点精度下降和生成模型采样成本高的问题。

论文 TORF 时间序列预测归一化流

推荐理由：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。

原文

8月7日

10:22

官方账号arXiv cs.LG@Yixiong Xiao, Congxi Xiao, Jingbo Zhou

TS-RAG提出将检索增强生成（RAG）应用于时间序列预测，通过设计专门的参考标记来融合输入序列与检索到的相似序列。该方法旨在解决传统时序模型数据规模小、参数少、生成能力不足的问题。在多个真实世界预测基准上，TS-RAG取得了持续的最优性能。实验表明，参考标记能更有效地捕获复杂的时间动态特征。

论文 TS-RAG RAG 时间序列预测

推荐理由：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。

原文

8月5日

09:51

官方账号arXiv cs.LG@Jiawen Zhu, Shuhan Liu, Shengxuan Li, Qiming Shi, Di Weng

论文提出POEM框架，利用SO(2)旋转学习相位校正坐标来应对周期漂移。其中DPIA机制会从相似时间上下文中检索历史相位增量并外推到未来。实验表明POEM在周期漂移场景下取得有竞争力的性能，可视化也显示潜在轨迹更规整。

论文 POEM SO(2)时间序列预测

推荐理由：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。

原文

8月3日

09:17

官方账号arXiv cs.AI@Yu Sun, Yuan Chang, Xiaohou Shi, Yan Sun

CrossRAG框架将检索增强生成引入时间序列预测，使用Shape-Aware Memory（SAM）和RevIN归一化实现跨幅度的形状级检索。Future-Consistent Contrastive（FCC）学习用于区分历史相似但未来不一致的难负样本。Cross-Attention Temporal Fusion（CATF）在表示层融合检索到的历史-未来参考对。在七个公开基准测试上，CrossRAG的性能优于仅用参数的基线和现有检索增强预测方法。

论文 CrossRAG 时间序列预测检索增强

推荐理由：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。

原文

8月2日

13:47

官方一手marktechpost@Sana Hassan

精选

该教程基于TimesFM 2.5构建完整的时序预测工作流，覆盖配置运行时、安装依赖、硬件检测和生成多门店零售数据集。数据集包含趋势、季节性、价格、促销、节假日和温度效应等真实因素。流程中详细演示了回测、协变量处理和异常检测方法，并支持在Colab中直接部署可扩展的预测管线。

技巧 TimesFM 2.5 时间序列预测回测

推荐理由：这教程用TimesFM 2.5把预测全流程都走了一遍，回测、协变量、异常检测都有，跟着能直接在Colab跑起来。

原文

7月29日

10:38

官方账号arXiv cs.LG@Weixin Liu, Juming Xiong, Congning Ni, Yanfan Zhu, Xingtao Lin, Bradley A. Malin, Zhijun Yin

DRIFT是一个混合框架，结合直接预测与递归动作条件校正。在MIMIC-IV（6046次住院）和eICU-CRD（8345次住院）上评估，8/24/48小时平均动脉压（MAP）平均绝对误差相比动作条件TFT（TFT-action）降低0.673%。在处理序列变化的窗口内，DRIFT在8和24小时MAP误差低于TFT-action。序列变化导致DRIFT的MAP误差增加0.21-0.26 mmHg，预测差异主要出现在路径分叉后。

论文 DRIFT MIMIC-IV eICU-CRD

推荐理由：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。

原文

7月15日

11:28

官方账号arXiv cs.LG@Mert Onur Cakiroglu, Mehmet Dalkilic, Hasan Kurban

该论文指出，基于频谱的可预测性分数不能回答'添加上下文（如更长回看窗口、检索插件或预训练模型）是否有帮助'的问题。频谱指标在相位随机化下不变，而上下文价值依赖操作点，并非序列固有属性。作者提出无标签的配置级诊断'覆盖亏缺'（coverage deficit），其主项衡量超越频谱的结构增益。在7个基准上验证：基于窗口的检索价值在代理对中从中位数+33%降至-35%（p<10^{-40}），而频谱指标不变；基础模型的价值仅有小的超越线性部分。

论文时间序列预测频谱上下文

推荐理由：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。

原文

7月13日

09:39

官方账号arXiv cs.LG@Qitai Tan, Ruiwen Gu, Yilin Su, Mo Li, Xu Lin, Xiao-Ping Zhang

GatedLinear提出了一个轻量级框架，利用三个互补线性基（全局趋势季节基、差分增量基、相位对齐递归基）进行自适应路由。它引入Tri-Factorized Fusion Gate，将路由决策分解为通道偏好、水平偏移和相位索引偏差。在标准时间序列基准上，GatedLinear达到或超越了多个复杂基础模型的准确性。该模型参数更少，同时提供可解释的路由模式。

论文时间序列预测 GatedLinear 线性基

推荐理由：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。

原文

7月3日

12:04

官方账号arXiv cs.LG@Sanjeev Shrestha, Hui Liu, Yifan Zhang

Exformer提出极端自适应注意力机制，包含Local、Stride和Extreme三个稀疏组件，分别捕捉短期、周期性和事件依赖。在4个真实水文数据集上，Exformer在3天预报任务中优于State-of-the-Art基线。该模型显式建模正常与极端流模式的依赖关系，提升了在高度偏态分布数据上的预测能力。

AI模型 Exformer Transformer 时间序列预测

推荐理由：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。

原文

6月28日

12:39

berryxia@berryxia

精选

Google Research在2024年ICML发布了时间序列基础模型TimesFM，2025年9月推出2.5版本。参数从500M降至200M，上下文从2048扩展到16K，新增30M分位数预测头可输出10%-90%置信区间。该模型在跨领域数据上预训练后，能零样本预测任意新序列。2026年4月增加通过HuggingFace Transformers和PEFT的LoRA微调能力。TimesFM已集成BigQuery ML、Google Sheets和Vertex AI，开源版本可用两行Python代码调用。

AI模型 TimesFM Google Research 时间序列预测

推荐理由：Google搞了个时间序列神器TimesFM，零样本预测，参数200M一张GPU就能跑，还能在Google Sheets里用，pip install两行代码搞定，做预测的别错过。

原文

6月26日

10:22

官方账号arXiv cs.LG@Lang Huang, Jinglue Xu, Luke Darlow

研究使用Ridge回归作为测试床，在8个标准基准上搜索上下文长度、局部归一化、正则化和数据增强的最优超参数。发现最佳回溯窗口长度与预测时序高度相关，且非单调，幂律指数从ETTm2的+0.46到Exchange和Traffic的-0.19。在大多数数据集-预测时距组合上，优化后的线性模型超越了先前的线性预测器，并超过Transformer、MLP和CNN基线在6/8个基准上的表现。优化超参数还可作为数据诊断工具，揭示大型模型隐式学习的结构。

论文 Ridge回归时间序列预测超参数优化

推荐理由：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。

原文

6月18日

10:37

官方账号arXiv cs.LG@Michael Detzel, Gabriel Nobis, Kristiyan Blagov, Juri Schubert, Jackie Ma, Wojciech Samek

INDEQS是一种基于图的神经控制微分方程时间序列预测方法，在架构中分别应用先验有向图信息于内混合（隐藏状态混合）和外混合（向量场与控制信号混合）。该方法提供轻量级图约束变体和支持自适应图卷积的学习变体。在合成的有向图连续平流模拟数据集以及真实世界的河流水位和PeMS08交通流预测任务上，INDEQS的外信息融合变体在参数量相近时，平均绝对误差持续低于未利用先验的NCDE。连续解码器相比离散卷积解码器在准确性和时间灵活性上更优。

论文 INDEQS NCDE 时间序列预测

推荐理由：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。

原文

6月17日

09:44

官方账号arXiv cs.AI@Bin Wang, Heming Yang, Jinfang Sheng

McWC模型分别建模周期、趋势和跨通道相关性。其多层循环性构建模块解耦循环信息，多层感知机提取通道间相关性，多级小波分解融合高低频信息。在六个真实世界数据集上达到最优性能，计算效率优于此前方法。

论文 McWC 时间序列预测周期分解

推荐理由：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。

原文

6月16日

12:22

官方账号arXiv cs.LG@Alper Yıldırım

HAMON是一种基于无源衍射光学的时序预测核心，将历史值编码到光瞳面上，未来位置留暗，通过级联可训练相位掩模和自由空间衍射直接输出预测场。在ETTm2数据集上所有预测区间均超越最强数字基线，在ETTh2上除最长区间外也领先，MSE最多降低14%。在Weather数据集上表现有竞争力，在Traffic和Electricity等高通道数据集上稍弱。消融实验和交叉仿真验证了预测来自光学场而非数字头部。

AI模型 HAMON 时间序列预测光学计算

推荐理由：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。

原文

11:32

官方账号arXiv cs.AI@Arunkumar V, Manoranjan Gandhudi, Gangadharan G. R., Arun Prakash, S. Senthilkumar

RAID框架利用多语言嵌入模型将文本元数据映射到共享语义空间，构建归纳检索图实现新项扩展。在严格冷启动协议下，RAID在预测准确率上超越当前强基础模型，同时预测区间覆盖率更优。其非自回归解码将推理延迟降低一个数量级。此外，RAID支持零样本跨语言迁移，仅使用英文描述训练即可泛化至其他语言。

论文 RAID 多语言嵌入冷启动预测

推荐理由：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。

原文

6月9日

12:39

官方账号arXiv cs.LG@Abd Elghani Meliani, Arora Sagar, Adlen Ksentini, Raymond Knopp

精选

云边连续体（CEC）通过将资源分布到边缘来支持延迟敏感应用，但其高度波动性需要基于时间序列预测的零接触管理。然而，新发现的节点缺乏历史数据，导致预测模型面临严重的“冷启动”问题。该研究提出了一种全自动时间序列预测架构，通过数据混合方法解决此问题：引入轻量级资源暴露器（RE）动态发现节点并收集遥测数据，同时将稀疏的本地样本与公开高分辨率数据集TimeTrack（45秒间隔）自动融合。实验表明，这种混合方法显著提升了预测精度（MSE、MAE、MAPE指标），并加速了模型收敛，为持续MLOps部署奠定了基础。

论文云边连续体冷启动时间序列预测

推荐理由：做边缘计算或云边协同的团队终于有了解决冷启动问题的实用方案——自动混合本地数据与公开数据集，无需手动标注就能生成高精度预测模型，建议做运维自动化的开发者点开看看。

原文

11:56

官方账号arXiv cs.AI@Peiliang Gong, Emadeldeen Eldele, Chenyu Liu, Ziyu Jia, Yi Ding, Xinliang Zhou, Lianchao Gu, Qi Zhu, Yang Liu, Daoqiang Zhang, Xiaoli Li

精选

现有LLM时间序列预测方法多依赖被动对齐或静态重编程，难以捕捉非平稳模式和细粒度任务意图。本文提出InA-Probe，通过多层级指令注入和自适应查询生成，让模型主动探测时间序列中的关键模式。该方法在7个真实基准上超越现有深度学习和LLM基线，在跨域场景中预测误差降低高达37%，零样本泛化能力也显著提升。消融实验表明，自适应查询与细粒度指令的协同作用是释放LLM推理能力的关键。

论文时间序列预测 LLM 指令感知

推荐理由：时间序列预测从业者终于有了一个能主动理解任务意图的LLM方案——InA-Probe在跨域场景误差降低37%，做金融、能源等时序预测的团队值得关注。

原文

6月2日

12:02

官方账号arXiv cs.AI@Yuhua Liao, Zetian Wang, Qiangqiang Nie, Zhenhua Zhang

时间序列预测在基础模型支持下取得了快速进展，但统计预测结果往往需要结合业务上下文（如节假日、活动计划、外部事件等）才能成为决策就绪的预测。本文提出了“最后一公里预测”问题，并设计了一个基于 LLM Agent 的框架，该框架在预测模型之上运行，维护统一的工作空间，调用工具检索上下文证据，并在结构安全约束下将推理轨迹转化为显式的预测修订动作。系统还支持通过 map-reduce 分解进行长周期预测，并通过记忆库进行事后反思，确保可控和可审计。实际案例表明，LLM Agent 能有效弥合统计预测与业务就绪预测之间的差距。

论文时间序列预测 LLM Agent 业务上下文

推荐理由：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。

原文

11:11

官方账号arXiv cs.AI@Luca Butera, Giovanni De Felice, Andrea Cini, Cesare Alippi

这篇论文揭示了长上下文窗口对时间序列预测模型的好处不仅在于捕捉长距离依赖，更在于降低生成过程识别的不确定性。作者将预测任务分解为生成过程识别和条件预测两个目标，证明即使对于记忆长度为P的过程，输入窗口也必须大于P才能达到最小误差。通过解耦这两个目标，可以在不牺牲准确性的前提下提升计算可扩展性。实验在合成和真实数据上验证了这些见解对设计预测架构的指导意义。

论文时间序列预测长上下文窗口生成过程识别

推荐理由：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。

原文

5月21日

10:22

官方账号arXiv cs.LG@Minh Hoang Nguyen, Dai Do, Huu Hiep Nguyen, Dung Nguyen, Kien Do, Hung Le

精选

现代深度学习模型在时间序列预测中表现优异，但在长期预测中因自回归推理的误差累积导致性能下降。经典误差校正机制（ECM）在统计方法中有效，但在深度学习中应用有限。本文提出一种架构无关的通用误差校正器UEC-STD，通过将预测分解为趋势和季节成分分别校正，显著提升校正精度和鲁棒性。该方法无需重新训练即可集成到现有预测器中，在4种骨干网络和10个数据集上验证了有效性。代码已开源，为缓解深度时间序列模型的自回归误差提供了实用工具。

论文时间序列预测误差校正深度学习

推荐理由：时间序列预测的长期误差累积是实际应用中的痛点，做时序预测的团队可以直接用UEC-STD提升现有模型性能，无需重新训练，值得一试。

原文

5月20日

15:12

AI Will@FinanceYF5

精选72°

Google 提出 Nexus 框架，将时间序列预测从纯数值模式匹配转向事件驱动的推理问题。Nexus 通过多个智能体分别处理历史文本事件、宏观环境、局部冲击，并由合成器校准，让模型理解数字背后的原因。在 Zillow 房价测试中，基于 Claude 的版本相比直接思维链提示，平均绝对百分比误差（MAPE）降低 86.6%。虽然目前仅在有限数据集上验证，但方向明确：未来的预测不仅要外推曲线，还要解释曲线为何移动。

论文时间序列预测智能体推理模型

推荐理由：做时间序列预测的团队终于有了一个能理解「为什么涨跌」的框架，Nexus 把事件和数字结合，效果显著。做量化、经济预测或房地产分析的建议点开论文看看。

原文

15:10

AI Will@FinanceYF5

精选

Nexus 是一个基于智能体的时间序列预测框架，将大语言模型与专用预测模型结合，通过多智能体协作完成数据预处理、模型选择、参数调优和结果解释。该框架在多个公开数据集上表现优于传统方法，尤其擅长处理非平稳和缺失数据场景。Nexus 的模块化设计允许用户灵活替换预测引擎，降低了时间序列分析的门槛。论文已在 arXiv 公开，代码预计后续开源。

论文智能体时间序列预测 Nexus

推荐理由：时间序列预测是金融、能源、运维等领域的高频需求，Nexus 用智能体编排替代手动调参，做预测分析的团队可以直接参考其框架设计，省去重复造轮子的时间。

原文

15:08

AI Will@FinanceYF5

精选72°

Google 新论文 Nexus 提出，时间序列预测不应仅依赖历史曲线，还需理解背后的事件。该方法将预测任务拆分为多个 agent：整理事件、判断环境、追踪冲击和综合校准。在 Zillow 数据集测试中，使用 Claude 的 Nexus 版本比普通 CoT 提示平均 MAPE 降低 86.6%。这标志着预测模型从单纯画曲线转向解释曲线为何变动，为金融、房地产等领域提供更可解释的预测。

论文时间序列预测多智能体事件驱动

推荐理由：做时间序列预测的团队终于有了新思路——Nexus 把事件理解引入预测，MAPE 降低 86.6% 的效果值得在业务中试试。

原文

11:24

官方账号arXiv cs.LG@Emaad Khwaja, Chris Lettieri, Gerald Woo, Eden Belouadah, Marc Cenac, Guillaume Jarry, Enguerrand Paquin, Xunyi Zhao, Viktoriya Zhukov, Othmane Abou-Amal, Chenghao Liu, Ameet Talwalkar, David Asker

精选76°

Toto 2.0 是一系列开源时间序列基础模型，参数规模从 4M 到 2.5B，展示了单一训练配方即可实现预测质量的可靠提升。该模型家族在 BOOM、GIFT-Eval 和 TIME 三个基准上刷新了最先进水平。研究团队详细描述了架构、训练数据、超参数迁移管道等设计决策。所有五个基础检查点均以 Apache 2.0 许可证开源。这项工作标志着时间序列预测领域正式进入规模扩展时代。

论文时间序列预测基础模型开源/仓库

推荐理由：时间序列预测终于有了可扩展的基础模型，做金融、能源、运维等预测任务的团队可以直接用开源权重，值得关注。

原文

5月19日

11:02