标签
WindBorne Systems 使用配备 AI 的气象预测和长航时气球，完成了由 Khosla Ventures 和 Galvanize 联合领投的 3700 万美元 B 轮融资，旨在扩大商业应用，并将客户群拓展到政府机构之外。
本文提出了一种基于时刻表信息的时间融合变换器（Temporal Fusion Transformer）框架，用于预测机场安检口每小时吞吐量。该框架将航班时刻表转换为时间对齐的安检负载信号。在亚特兰大机场数据上，该模型相比RNN和LSTM基线实现了更低的预测误差。
This paper introduces a verifier-guided workflow around ODEFormer, a pretrained symbolic transformer, to discover interpretable equations for physical dynamical systems. It demonstrates transfer to vortex shedding and other systems using dynamical and physical-admissibility criteria to select equations from a candidate pool.
This paper introduces TraceMAS, an interactive demo system for traceable multi-agent forecasting that organizes agent outputs around causal-loop diagrams to make the evidence-to-forecast process inspectable, demonstrated on crude oil price forecasting.
首尔国立大学的深度学习CNN模型比NOAA基于物理的模型提前数月预报了一次极强厄尔尼诺事件，并随着模型收敛而得到验证。该AI还预测2028年将转为拉尼娜，远超传统预报期限。
作者训练了一个仅编码器的 transformer，利用过去的血糖、碳水化合物、胰岛素以及未来的进餐/胰岛素输入来预测未来的血糖水平，并发布了采用 MIT 许可的源代码和预训练权重。
本文介绍了OptimismBench，一个使用逆序对检测语言模型概率判断中方向性偏见的基准。研究发现大多数模型表现出乐观偏差，并且对齐（后训练）放大了这种倾向，模型身份主导了语言效应。
本文针对基于QKAN的快速权重编程器引入了互补矩阵门控（CMG），实现了坐标级记忆控制，用于量子动力学预测。该方法在量子仿真基准上展现出持续的改进和低均方误差。
本文提出了一种混合概率预测系统，将时间序列分解（Prophet）与自然语言处理技术相结合，应用于玻利维亚新闻报道以预测路障，相比纯统计模型，取得了改进的AUC-ROC和Brier分数。
CARNet将全局循环周期信息整合到高效的核心交互建模中，用于多元时间序列预测，实现了线性复杂度，并在实际基准测试中优于强大的Transformer基线模型。
Black-Mamba提出了一种测试时自适应预测架构，利用累积惊异度仅在检测到分布漂移证据时选择性更新记忆，从而在非平稳时间序列上实现高效自适应。
本文介绍了LeadTime-ICL（LT-ICL），一种用于概率性供应商提前期预测的删失感知上下文学习模型。该模型结合了Transformer骨干网络和归一化流头，在24个工业供应链数据集上展示了强大的性能，无需特定任务的重新训练。
提出一个领域无关的框架，利用大型语言模型为时间序列预测生成基于事实的自然语言解释，通过约束到可验证证据来减少幻觉。在金融和货运定价案例研究中进行了评估。
本文探讨了时间序列预测相比其他机器学习任务为何更具挑战性，展示了基准测试结果，表明简单的统计模型和零样本基础模型在许多序列上往往优于复杂的深度学习模型。
本文提出了一种训练时稳定性正则化罚项，可在不牺牲精度的情况下提高预测稳定性。在M5零售需求数据上进行的评估显示，该方法的预测稳定性得分有所提升，同时均方根误差(RMSE)保持在0.72%以内。
本文提出了 ReDiTT，一种面向异步时间序列预测的检索增强条件扩散Transformer。该模型检索结构相似的潜在序列作为参考条件，以改进长时域预测和样本多样性，在七个真实数据集上取得了最先进的性能。
OmniPM-Net 是一种神经过程融合模型，它结合了来自图神经网络的离散站点预报和来自化学传输模型的网格化预报，以在站点和网格单元上生成一致的PM10预测，尤其在沙尘暴期间提高了准确性。
MIT研究员Devavrat Shah在表格时间序列数据AI模型方面的工作，催生了衍生公司Ikigai Labs，该公司近期被Celonis收购，旨在改善企业预测和决策。
本文通过可视化方式介绍了t0-alpha——一个1.016亿参数的基础模型，用于多元时间序列预测。该模型将时间注意力与跨变量组注意力分离，在GIFT-Eval上取得了具有竞争力的CRPS分数，与TimesFM 2.5和Chronos-2等更大模型相当。