标签
Fuzzy-MoE是一种新颖的基于模糊逻辑的混合专家模型，通过可解释的专家路由规则提高了非平稳多变量时间序列预测的准确性和可解释性。
CLaST 提出了一种用于概率多变量时间序列预测的上下文感知对比变分自编码器框架，并在多个基准测试中展示了相对于基线方法的显著性能提升。
本文对九种深度学习模型在智能电表数据上的能源预测进行了基准测试，揭示了随着历史输入的增加，准确率会饱和；随着预测时间范围的延长，准确率下降；轻量级模型提供了成本效益高的替代方案。
本文提出MoFE，一种新型深度学习框架，将傅里叶神经算子集成到专家混合架构中，以解决加密货币价格预测中的挑战，在比特币价格预测上实现了最先进的性能。
ScenarioDiff 是一个用于多模态时间序列预测的分层上下文推理框架，它将文本上下文组织为三个层次以指导Multimodal Diffusion Transformer，在事件驱动领域表现出有效性。
本文比较了六种用于电价预测的深度学习模型，建立了一个标准化的基准框架，以实现跨市场的一致评估，尤其是在数据不足的场景下。
RouteTS是一个统一的预测框架，基于频谱特性在频率域和时间域之间路由时间序列分量，提高了处理周期性和瞬态性的准确性和效率。
本文介绍了RAEF，这是一种模型无关的检索增强时间序列预测方法，与微调方法相比，提高了准确性并减少了计算开销。
该论文识别了时间序列基础模型在每小时股票收益预测中的预测坍缩现象，并引入了CalibRank来平衡校准和排名，显著提高了截面相关性。
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。