标签
该论文指出,现有的时间序列分词策略(分块分词和相位分词)会引入频谱泄漏和混叠等频谱失真,并提出了 TimeFT——一种无参数、几乎无失真的基于频率的分词器,可直接替换现有分词器,并提升预测、分类和异常检测任务的性能。
Meta-iLaD 提出一种通过跨动力学环境元学习实现可识别潜在动力学的新框架,利用少量样本的条件先验快速提取环境变量,并同时对潜在状态、环境变量与动力学函数建立可识别性,从而提升对未见环境的泛化与预测能力。
ORBIT 提出了一种统一的深度时间序列生成框架,通过频率层次化 VQ-VAE 和频率带自回归 Transformer 实现从低频到高频的下一频带预测,从而先构建全局时间结构再逐步补充细节,在多个真实基准上达到最先进的性能与更高的推理效率。
Mistral 发布 Timestral 时间序列基础模型家族,包含 5M 到 209M 参数四个版本,其 209M 模型在 GIFT-Eval、TIME 和 fev-bench 三大基准上均排名第一,支持零样本概率多变量预测且可在 CPU 上推理。
STAC 发布了 STAC-M3 基准测试的审计结果:L Labs 的 L tick database 1.0 运行在 Oxide OxVM 云虚拟机上(128 vCPU、1.25 TiB 内存、5 块 NVMe 硬盘),在 Antuco 套件中创下多项纪录,包括最高的存储效率(为此前最佳成绩的 1.86 倍),以及在多个查询时间指标上领先。
Mistral 发布 Timestral 时间序列基础模型家族(500 万/2800 万/1.23 亿/2.09 亿参数),支持零样本预测、单变量与多变量预测及概率输出,2.09 亿参数版本的代码与权重已在 GitHub 和 Hugging Face 开源。
该论文评估了基于循环神经网络(RNN)的Sentinel-2时间序列树种分类方法,并使用积分梯度(Integrated Gradients)进行可解释性分析,重点研究了纯林与混交林中挪威云杉像元的区分。最佳RNN模型的宏平均F1分数达到0.851,优于XGBoost和随机森林。
该论文提出预测锚定预训练原则,并将其实例化为 Lotus 模型,通过时序-频谱块表示将时间序列映射到大语言模型的嵌入空间,在多个基准上以极少的可训练参数超越规模大 25–50 倍的模型。
PathFM 是一个基于流匹配的轨迹式时间序列预测模型,能够快速生成完整未来路径并支持多路径采样,同时提出 fps-bench 评测基准以衡量路径级依赖结构的建模能力。
TimeRSI 提出一个围绕冻结的时间序列基础模型的自改进智能体部署系统,通过误差引导的代码迭代修订与自适应选择提升零样本预测性能,在 TIME 和 fev-bench 的 198 项任务上超越所有提交结果。
Mistral AI 发布 Timestral 时间序列基础模型系列(5M/28M/123M/209M),209M 版本在 GIFT-Eval、TIME 和 fev-bench 上实现零样本预测的最先进精度,并开源代码。
论文提出 HART,一种混合注意力与 RWKV 的时间序列基础模型,通过交替注意力和 RWKV 模块解决非自回归多步预测中 RWKV-7 的长程退化问题(占位符空闲衰减)。仅用 36M 参数(约为 Toto-2.0-1B 的 1/28)在 GIFT-Eval 上达到可媲美的长程 MASE(0.752 对比 0.754)。
NVIDIA 研究人员提出了 NV-Tesseract-AD,这是一种由课程学习增强、以 Transformer 为骨干网络的条件扩散框架,用于多变量时间序列异常检测。其 F1 分数达到未采用课程学习的基线模型的约 3.7 倍,并在 EasyTSAD 基准测试中展现出强大的零样本迁移能力。
KITE 提出一种知识注入的时间序列编码器,将工程师的领域先验(语义先验)通过可切换的协变量与注意力偏置机制注入自监督事件预测器,在稀有事件预测上显著优于无先验基线,并支持跨域迁移。
这篇论文将事件序列预测重新表述为条件生成建模问题,提出了一个同时衡量预测准确性和分布真实性的基准,并引入Wasserstein BaryBooster算法,将扩散模型的真实感转化为预测精度。
GreptimeDB 通过将 TopK 运行时边界下推到扫描层(基于 DataFusion 的动态过滤器),把一个约 50–60 亿行 trace 表上的 ORDER BY ... LIMIT 10 查询从 28.9 秒优化到 0.21 秒。
Lapras提出了一种针对时间序列语言模型(TSLM)的后训练框架,通过教师-学生自蒸馏实现连续隐空间推理,在五个时间序列问答基准上平均F1提升最高10.79%,同时生成token减少23.9倍。
该论文发现 ECG 到 PPG 的跨模态蒸馏中,冻结 ECG 教师目标的 40–59% 是与个体身份相关的 per-recording 均值(trait),学生模型往往记住身份而非生理状态;作者提出 fixed-effects distillation,通过减去每条记录的均值使 trait 精确抵消,使 within-person 状态一致性提升一倍以上,并在两个骨干网络和两个额外数据库上验证了效果。
GreptimeDB v1.2.0 正式发布,新增 JSON2 结构化类型(支持 SQL 嵌套路径查询)、支持 Prometheus Remote Write 2.0,并带来可续传的并行 Import/Export V2,面向日志与 AI 代理事件场景。
该论文提出一种预处理感知的基准测试框架,在M4数据集的29,000条时间序列上评估11个预测模型与16种可逆预处理管线,发现为每条序列优化预处理可带来约27%至87%的性能提升,并揭示现有基准存在结构性预处理偏差。