标签
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。
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。