multivariate

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。

本文识别了多变量时间序列直接预测中的目标差距，并提出CvLoss，一种即插即用的结构正则化器，它在跨变量图上约束预测残差，以提高同步和异步交互之间的一致性。实验表明，相对于有竞争力的预测模型，它带来了一致的改进。

本文提出了一种利用倒置自注意力机制进行多元时间序列因果发现的新框架，引入了因果自注意力模块（CSAM）和全局因果算法，以识别潜在因果联系并减少虚假相关。

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。

Datadog发布了Toto-2.0，一个像LLM一样可扩展的时间序列模型，采用连续补丁掩码和Arcsinh归一化以改进预测。

介绍RMISC，一个包含约200个数据集和1420亿个时间点的大规模真实世界多变量时间序列语料库，并证明在真实世界多变量数据上预训练时间序列基础模型相比合成数据能提升零样本泛化能力。

本文提出了一种可证伪的适用性判据，用于基于时滞谱嵌入的多变量时间序列的无训练固定长度描述符，展示了该描述符在何种情况下有望有效，并在多个基准上进行了验证。

ReGeN是一个参考引导的生成流水线，用于多元时间序列数据。它将观测序列分解为周期性骨干、随机残差和跨变量依赖关系，以合成可控的合成数据。结果表明，生成的数据可以替代真实数据用于预测任务，且性能优于以往的合成数据生成器。

本文介绍了一种用于多变量时间序列异常检测基准的诊断框架，发现标记的异常大多可以从单个通道检测到，这对跨通道建模的必要性提出了挑战。作者呼吁开发更多结构多样的评估数据集。

本文介绍了TSCOMP，一个大规模基准测试，系统地将深度多元时间序列预测方法分解为细粒度组件，以实现自动化模型选择，性能优于复杂的整体架构。