标签
GNBAN是一种新的基于图的神经架构，用于长期零售需求预测，结合了异构图学习和可解释的基分解预测头，在Walmart和Favorita基准上实现了4-5%的改进。
提出TempoWave，一种即插即用的时间小波数字接口，将时间序列观测值映射为基于多小波系数的逐位嵌入，改进了基于LLM的时间序列预测，并在多个基准上达到最先进水平。
PMDformer 引入了补丁均值解耦和专用注意力机制，以改进长期时间序列预测中的形状相似性建模，在多个基准测试上优于现有方法。
本文介绍了TS-Fault，这是一个用于评估时间序列预测模型在结构化故障场景（如依赖关系断裂和机制变化）下的基准测试。研究发现，干净数据上的准确性通常与鲁棒性呈负相关，且基础模型特别脆弱。
MorphStrata提出了一种层特定随机噪声注入策略，用于在移动目标防御框架中生成多样化的学生模型，以增强时间序列预测的对抗鲁棒性，在BIM攻击下实现了高达97.97%的RMSE改进，且训练开销极低。
提出SERAF，一种用于时间序列预测的多模态检索增强框架，该框架同时利用数值相似性和自生成的文本描述来检索历史模式，从而改善非平稳条件下的预测。在七个真实世界数据集上的实验表明，其效果优于最先进的基线模型。
本文评估了基于大型语言模型（LLM）的策略（嵌入、提示、混合）与经典表格模型在一个包含哈希化类别特征的工业车辆改装预测数据集上的表现。研究发现，树集成整体上优于LLM，但嵌入和混合方法仍有价值，而在缺乏语义线索时直接提示失败。
介绍SpikF-GO，一种用于多变量时间序列预测的脉冲神经网络模型，该模型结合了基于图的变量间依赖建模与脉冲驱动的频谱处理，在SNN方法中实现了最先进的结果，同时降低了能耗。
SPDM 提出了一种几何感知的状态空间模型，该模型利用对称正定流形上的流形约束进行时间序列预测，在11个基准测试中取得了最先进的性能。
提出EVIDENT框架，该框架整合贝叶斯训练与基于证据的排序进行神经架构选择，并在1型糖尿病的个体化血糖预测中演示，系统地选择泛化可靠的轻量模型。
SARAF是一种平稳性感知的检索增强预测框架，它自适应地平衡时间序列预测中检索的相关性与多样性，并基于数据集级别的平稳性调节多样化强度，以处理非平稳状态转移。该工作已被KDD 2026接收，在8个真实世界数据集上展现出了优于强基线的竞争性能。
本文从理论和实验两个角度对时间序列 Transformer 的自适应分块方法进行了深入研究，推导出内容自适应分词应优于调优后的均匀分块的条件。在标准基准上的受控实验表明，经过良好调优的均匀基线与动态分块方法具有相当的竞争力，这对自适应方法所假设的优势提出了质疑。
本文介绍了一个时间序列预测框架，该框架利用重要性感知的新闻压缩和过程奖励模型引导的检索，在固定上下文长度内融入长新闻文章，从而提高金融、能源、交通和比特币基准上的预测精度。
本文提出了BatteryMFormer，一种用于早期电池退化轨迹预测的多层级Transformer，它集成了老化条件感知解码、元退化模式记忆和双视角编码，以捕捉多层级退化结构和SOC局部变化，在四个电池领域上持续优于最先进的基线方法。
本文研究了由LLM从XAI输出生成的高质量自然语言解释（NLEs）是否真的能改善任务性能，发现它们并未提高准确性，反而夸大了信心，揭示了质量-实用性差距。
本文对基础模型在时间序列预测中的应用进行了评估，与四种操作领域中的监督学习方法进行了比较，并提出了一种复杂性路由器，用于选择性地将序列分配给最优模型类别，以平衡准确性和推理成本。
提出PESD-TSF，一种受物理启发的结构化分解框架，用于长期时间序列预测，通过乘法周期性门控、多尺度结构化编码器和跨尺度协作注意力来解决周期感知退化、趋势-噪声纠缠和跨变量依赖关系丢失的问题。
Google新论文Nexus提出将时间序列预测从统计外推转化为多agent推理，通过事件上下文提升预测准确性，在Zillow数据集上MAPE降低86.6%。
谷歌的Nexus论文提出了一种智能代理框架，将上下文事件与数值数据结合用于时间序列预测，在Zillow测试中相比直接思维链提示实现了86.6%的平均绝对百分比误差（MAPE）降低。
DataDog 发布了 Toto 2.0，这是一系列参数量从 4M 到 2.5B 的开源时间序列基础模型，展现出持续的规模化改进，并在包括 BOOM、GIFT-Eval 和 TIME 等多个基准测试中取得了领先成果。