标签
FM-LLM提出了一种频率增强的混合专家框架，无需文本提示即可将冻结的LLM适应于时间序列预测，通过注入频谱表示并分离周期/非周期解码，取得了最先进的结果。
该预印本比较了XGBoost和LSTM在区域供热系统传输热能预测中的表现，发现XGBoost在持续优于LSTM的同时，还提供了更低的计算成本和环境影响。
REATS是一种新方法，利用LLM推理进行可解释的、样本自适应的集成学习以用于时间序列预测。它将文本和数值特征与思维链推理及两阶段微调框架相结合，在八个基准测试上优于竞争性基线。
PhysAttNet 是一种物理信息注意力框架，通过领域引导的正则化增强轻量级 CNN 预测器，以提高工业与天体物理时间序列预测的准确性和泛化能力。
KReF 提出了一种用于长期时间序列预测的免训练检索框架，该框架从相似的历史回看-未来对中构建经验预测分布，在多个基准上取得了优异的 CRPS 表现。
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。
CAMP 引入了一种用于时间序列预测的周期感知多尺度补丁混合器，通过自适应周期学习和预测时域引导的补丁细化，在多个基准上取得了最先进的结果。
CastFSR 是一种快-慢-反思智能体推理框架，利用大语言模型进行上下文感知时间序列预测，结合快速的轻量级预测器、缓慢的深思熟虑推理以及反思性评估，以提高预测的准确性和一致性。
本文介绍了NRFormer+，一种利用大气扩散引导进行核辐射预测的时空Transformer，在日本的两个大规模基准上达到了最先进的精度。
本文提出了DiffDiff，一种用于概率时间序列预测的扩散框架，它将可预测性不对称性嵌入到扩散轨迹中，在四个预测跨度的七个基准测试上优于六个扩散基线。
本文提出了一种新颖的持续学习框架，用于时间序列预测，该框架利用注意力引导的经验回放，使模型能够适应新的数据分布，同时避免灾难性遗忘。该框架在标准基准和真实世界的水位数据上进行了评估。
本文提出任务语义场分解（TSF），一种LLM引导的框架，利用过程文档的离线语义构建来增强工业过程中的时间序列预测和软测量。TSF在几乎不增加参数和推理开销的情况下，平均降低了6.4%的MAE。
本文介绍了NEST，一个使用面向机制的混合专家模型来处理时间序列预测中数据集级分布偏移的框架，在多个基准测试上达到了最先进的性能。
本文形式化了时间序列预测中的“粒度悖论”，表明更细的时间解聚会改善样本内拟合，但由于递归误差传播而降低样本外精度，并在不同粒度上对多种模型进行基准测试。
TopoBrick 是一个无需训练的零样本建筑物联网预测框架，利用建筑知识图谱和智能体拓扑采样器来选择目标特定的外生变量。它在性能上优于强大的零样本基础模型基线，并与完全训练的建筑专属模型保持竞争力。
介绍进化特征工程（EFE），一种利用基于LLM的进化来自动发现结构化数据预处理变换的框架，在保持可解释性的同时提高时间序列预测和表格预测的准确性。
本文介绍了StateFlow，一种循环预测框架，它通过使用双状态循环主干和基于块的解码器，将变异性感知递归神经网络（VARNN）扩展到长期多变量时间序列预测，在强基线方法中取得了竞争性性能。
提出了一种进化神经架构搜索框架(EvoTS)，用于发现任务自适应的类Transformer模型，用于多变量时间序列预测。该方法使用模块化基因组表示，并在ETT基准数据集上取得了竞争性的性能。
提出层次时间融合（HTF），它是时间融合Transformer的扩展，整合了感知一致性的损失函数，确保预测在层次结构各层级之间保持一致，在基准数据集上实现了更高的准确性和一致性。
提出了一种端到端的自主管道，结合SSA-LSTM预测、LSTM VAE异常检测和基于LLM的动态检索推理，为设备级能源异常生成优先排序的维护建议，在16场景基准测试中取得了90.4/100的分数。