时间序列

general · First seen 2026-05-29 · Last seen 2026-11-18 · 48 mentions

Overview

时间序列指按时间顺序记录的数据序列,在预测、异常检测、分类等任务中广泛用于金融、能源、气象与工业监控场景。近几个月的研究呈现两条主线:一是基础模型与预训练范式向多任务统一方向推进,二是不确定性量化、因果发现与数据泄漏等可靠性问题受到越来越多关注。

时间序列近期进展

  • 多任务预训练:TimeSeek 提出多任务多域预训练,统一时间序列预测、异常检测与分类提出用同一模型覆盖多种时序任务与数据域,延续了时序基础模型向通用化发展的趋势。
  • 智能体化分析:Salesforce Research 发布 Moirai Agent,把时序分析做成智能体,将原本端到端的时序基础模型拆解为可自主调度工具的分析流程。
  • 异常检测:Gfm4Mtsad:让图基础模型胜任多变量时间序列异常检测探索把图基础模型引入多变量场景,而 CLOSURE:用跨通道一致性改进多元时间序列异常检测则利用通道间关系提升检测效果。
  • 因果与不确定性:DTCD 发布:时间序列因果发现与处理效应评测工具包为因果推断提供了标准化评测基准;研究评估时间序列基础模型的不确定性校准问题指出当前模型的置信区间质量参差不齐。
  • 当前焦点与观察点

    可靠性与校准是最大争议点。 除了基础模型的不确定性校准研究,Conformal prediction 校准英国风电预测不确定性区间研究显示保形预测正在成为时序应用落地的实用工具;RainCheck 研究揭示孟加拉国降雨预测中的数据泄露问题则提醒,看似不错的性能提升可能来自评测流程缺陷。此外,归因拆解也在精细化:GNN 负荷预测诊断协议:拆分参数共享与邻居访问的贡献尝试厘清图神经网络的收益究竟来自哪里。

    总体看,时间序列研究正从单一任务的模型比拼,转向通用基础模型、智能体工作流与评测可靠性的系统性建设。对从业者而言,关注模型的不确定性输出与数据泄漏风险,可能比追逐榜单分数更有价值。

    Coverage

    10 on file