标签
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。
本文介绍了TW3Cast，一个时间序列预测系统，它使用基于轻度微调基础模型的冻结路由器，在GIFT-Eval基准上取得顶尖性能，且无需代理或语言模型
ROOSTER是一个共享模块，它学习条件序列与目标序列之间的对齐，适用于时间序列预测和PPG到生命体征重建，在多个基准测试中表现出色。
FWBench 引入了一个基准，用于评估语言模型如何选择和使用时间序列预测来做出成本约束决策，并在电力和共享单车租赁数据集上比较托管与本地配置，同时由 GPT-6 Astra 实现高效的预算使用。
本文介绍了Kronecker协方差神经网络（KVNNs），这是一种时序图神经网络，通过Kronecker积解耦空间和时间依赖性，以改进时空数据分析，解决了像ST-PCA这样的传统方法的局限性。
介绍了泄漏积分器重建，以解决递归差分时间序列预测中的误差积累问题，展示了在不同架构和数据集上显著减少误差的效果。
本文介绍了 KG-Chronos-2，这是一种通过知识图谱增强来改进冻结时间序列基础模型的方法，用于改善 HEC-RAS 中水面高程的代理预测，结果表明与基线方法相比，RMSE 有显著降低。
本文提出一种轻量级预编码器门控机制，用于基于Transformer的时间序列预测模型以调节协变量输入。实验表明，在多个数据集上与基线相比，性能具有竞争力。
本文提出了一种物理信息循环神经网络（PIRNN），通过预测不可观测的物理变量来改进物理过程的时间序列预测，并以地下水位预测为例进行演示。
本文对时间序列基础模型在不同数据集上的行人流量预测进行了基准测试，发现基础模型在数据丰富、具有季节性的场景中表现优异，而在数据有限的情况下，简单模型也能保持竞争力。
PPDL是一种新颖的预测框架，它结合物理先验与深度学习来预测多渠道付费用户获取中的用户留存率，解决了渠道异质性和时间模式等挑战，并在工业数据集上验证了改进效果。
本文介绍了FlowTSFM，一种基于编码器的时间序列基础模型，它将深度解释为循环分位数传输，与Chronos-2等基线模型相比，使用更少的参数实现了具有竞争力的准确性。
NanoForecast v0.5 是一个拥有 650 万参数的时间序列预测模型，通过优化训练流程，实现了与更大的模型（如 TimesFM）相竞争的性能，使得 MASE 降低了 43.8%。模型和代码以 Apache 2.0 协议发布。
Halo 通过异方差学习修改深度预测模型以包含尺度估计，在电力市场价格基准测试中显著提升了点预测精度。
本文介绍了CoSPOT，一个基于LLM的在线时间序列预测框架，使用组合频谱提示来高效适应非平稳数据和未见模式。
本文比较了基础模型与市场特定基准在电价预测方面的表现，发现只有TabPFN在统计上始终优于基准，但经济价值因策略和风险承受能力而异，表明基础模型无法普遍替代定制模型。
SAGE引入了一个基于CLIP的时间序列预测框架，该框架结合了时间、文本和视觉语义信息以提高准确性，在长期基准测试中实现了最先进的性能。
本文系统性地研究了辅助上下文在多模态时间序列预测中何时有所帮助，识别了两个关键条件，并证明当这些条件满足时，性能有显著提升。
ICI-Time 是一个新颖的框架，它将时间序列预测重新定义为视觉修复任务，利用大型视觉模型实现无需微调或架构更改的适应性预测。
TimesFM 3.0 是由 Google Research 开发的一个预训练时间序列基础模型，在 Hugging Face 上发布，提供 PyTorch 权重，用于时间序列预测任务。