forecasting

本文提出事件特征迁移（EST），这是一种无需训练、模型无关的算子，能够通过将历史事件的特征迁移至时序预测中，来构建预测场景。

本文探讨ECB和Fed新闻发布会中的情感弧线如何预测政策利率变化和通胀预期，表明情感的时序携带有重要的政策信号。

美国持续的类似夏季的气温归因于厄尔尼诺和气候变化，预报员预测高温将持续异常到九月。

CoRe 提出了一种模型无关的学习目标，用于多元时间序列预测，该目标使用频率连贯性和关系图损失来提高预测精度，优于标准方法。

人工智能系统在预测任务中已超越部分顶尖人类预测者。

本文介绍了Solar Intelligence，一个混合检索增强框架，它统一了太阳能数据分析、基于证据的科学问答和机器学习预测，以支持太阳能领域的决策制定。

2025年，专家估计到2027年AI有10%的概率解决或在很大程度上协助解决Millennium Prize Problem。

本文提出一种基于能力门控的融合方法，用于判断在已有外部预测的情况下，语言模型应何时介入预测。该方法通过学习领域特定权重并在外部来源更可靠时进行让步，从而提升预测精度。

IBM 发布了 Granite Time Series PatchTST-FM-r2 模型，这是一个 385M 参数的基础模型，用于零样时间序列预测，在 GIFT-Eval 基准测试中表现顶尖，并采用商业友好的 Apache 2.0 许可。

NOAH引入了一个生成式Transformer模型，用于纵向多模态患者数据的全面表征和预测，实现临床环境中的零样本分类和反事实模拟等任务。

一场讨论，旨在检验由 AI Futures Project 于 2025 年 4 月发布的 ai-2027.com 所提出的 AGI 与超级智能（ASI）逐月预测时间线是否仍然准确，并探讨若其持续有效将意味着什么。

本文提出了一种两阶段集成预测模型，利用XGBoost预测私有云中的CPU工作负载，首先预测客户服务请求，对大多数应用实现了SMAPE低于7%的高精度。

Google DeepMind 和 Google Research 推出 WeatherNext 3，一个先进的AI天气模型，利用实时卫星数据提供高分辨率、逐小时预报，并集成到Google产品中。

OutageDiT是一种用于停电预测的生成式基础模型，它采用Diffusion Transformer架构生成七天停电轨迹，提高预测准确度并实现向新区域的零样本迁移。

来自AI和网络安全领域的一群人正在成立一个AI网络安全观测站，为政策制定者和防御者提供关于AI自动化网络攻击的数据驱动洞察。

本文介绍了稀疏 Koopman 自编码器 (SKAE)，用于在多盆地非线性系统中识别局部动态区域，展示了优越的预测性能和可解释的潜在支持。

谷歌推出了TimesFM-3，这是一种最先进的零样本基础模型，专为多变量时间序列预测设计，可在单次前向传播中处理多个目标和协变量，无需进行微调。

这项比较基准研究评估了多种用于可再生能源农场优化与预测的AI方法，表明集成方法和混合方法在不同数据场景下表现出色。

本综述将基于LLM的智能体用于时间序列任务分为四类，并提供了面向任务的设计指南和未来研究方向。

本文基于专家预测，展望了AI行业的发展轨迹，强调Anthropic和OpenAI等公司的营收将持续增长，尽管面临监管挑战，数据中心投资仍大幅增加。