标签
一篇 arXiv 论文，介绍了 rc_prediction：一个用于参数感知储备池计算（PARC）的开源 Python 软件包，能够从少数几个工作点的数据中学习依赖于参数的动力学，并预测未见过的参数值下的轨迹、分岔和临界转变。
论文提出 TSFLab，一个自我改进、与具体智能体解耦的时间序列预测研究工作台，为编码智能体提供共享资源与工具，以低成本完成复现、基准测试与新方法开发，并显著提升任务完成率、降低词元与开发时间成本。
我们提出了 FACTS-MAS，这是一个领域无关的多智能体预测框架，将异构证据分解到专门的智能体通道中，通过防止数据泄漏的历史验证对各通道进行验证和加权，并以自适应方式融合它们。在美国 15 个都市区的 Zillow 住房库存和 FRED 失业救济申请数据上的评估表明，该框架优于朴素基线模型和 TimesFM，但经过因子调整的指数平滑模型达到了与其融合预测相当的性能。
一篇伦敦大学学院（UCL）的论文提出了 MAPS，这是一种与模型无关的指标，用于量化多变量时间序列预测任务的内在可预测性。该指标在合成数据集和真实世界数据集上与 66 种基准度量进行了比较评估，与参考可预测性呈高度相关（r=0.963）。
TempShap 提出了一种用于时间序列预测的单元级、基于损失的 Shapley 框架，可生成归因张量，揭示特征在输入窗口中的何时发挥作用，以及其影响如何随预测时域变化，并在删除排序基准测试中优于现有的 Shapley 估计器。
提出双分支校准模块（DBCM），通过共享适配器与低秩通道适配器的双分支设计，在时序预测的测试时自适应中处理非平稳分布偏移，并在多个数据集、预测跨度和骨干模型上超越现有方法。
该论文提出一种免训练的持续学习方法，通过GEPA式提示进化在冻结的LLM预测器（Llama-3.3-70B）的提示中演化约900词的引导文本，用于多模态时间序列预测，并在严格防数据污染的基准上超越TabPFN-TS-3等时间序列基础模型（GM MASE 0.776 vs 0.898）。
论文提出 ASE（Attribution-Guided Semantic Evolution）模块化框架，通过条件归因反馈引导语言模型构建与修订文本因子，并将其与数值预测器融合，在 TESS 数据集和 CSI 300 股票排序任务上取得改进。
该论文提出 Error Feedback Calibration（EFC），一种完全测试时的确定性后处理校正框架，通过 Causal Error Diagonal 与 Cumulative Error Transport 将已揭示的预测误差转化为对未来预测的因果校正，从而在多种时序预测骨干和数据集上提升性能并抑制过度校正。
TempoPFN 发表于 NeurIPS 2026，提出一个合成时间序列生成器与增强库，用于预训练线性 RNN 时间序列基础模型，实现零样本预测，并已开源代码与模型权重。
DST-Net 提出一种解耦的时空网络用于时间序列预测，针对趋势和季节分量分别设计潜在图块和高斯多尺度注意力机制，以匹配各分量的内在特性并在多个基准上验证有效。
该论文提出 Control-TS，通过残差控制将预测分位数作为分布控制信号引入预训练扩散预测模型，并提出 CLPS 指标评估生成未来轨迹的下游预测效用，在八个基准上一致提升 CRPS 表现。
该论文在一所大学建筑上对比了统计模型、XGBoost、LSTM与预训练时间序列基础模型TimesFM用于日前电力预测的效果，发现TimesFM 3.0配合协变量将平均绝对误差相对季节性朴素基线降低约43%，而XGBoost仍具竞争力。
本文提出 AliO（Align Outputs）方法，通过在时域和频域减少相同时间戳上预测输出的差异来提升长期时间序列预测模型的输出对齐性，并引入新指标 TAM（Time Alignment Metric）量化对齐程度，在保持或提升预测性能的同时最高提升 58.2% 的对齐度。
论文提出了 HydroSphere——一个受治理的数据驱动实时废水管理框架，将基于 TCN-LSTM 的预测模型、基于 PPO 的自适应化学加药策略与 SHADE 自编码器异常检测相结合，并在 282 万条水质测量数据上进行了评估。
本文提出了 MACTS-EM，一个用于时间序列预测的多智能体协同框架，采用专门化的智能体、元认知层、涌现记忆以及多模态融合机制，在金融、气候、能源和疫情数据集上实现了 8-12% 的准确率提升，并显著改善了零样本迁移能力和对机制突变的鲁棒性。
本文认为，时间序列预测基准需要基于场景的压力测试，即测试用例应包含语义场景、显式失效算子和可量化的难度等级，以捕捉体制转换和传感器故障等结构化异常——而这些异常是基于独立同分布扰动的鲁棒性测试所无法覆盖的。
一篇 NeurIPS 2026 论文提出了面向动力系统重构的拓扑域外泛化方法，识别出分层 DSR 模型的失效模式，并通过特征拆分与物理稀疏先验加以修复，从而在不显式掌握控制参数的情况下正确预测分岔与动力学体制转变。
一篇新论文提出了 CAGE 框架，将生成模型、对抗判别与共形预测相结合，用于为时间序列集成预测进行加权，在牛奶采集和猴痘数据集上表现出对离群值和噪声更强的鲁棒性。
本文对比研究了中子监测时间序列的预测模型，包括季节性基线模型和量子启发架构，强调简单且功能性强的模型在周期性科学数据上表现良好。