Github
文档
论文优秀的时间序列预测/预测论文
本仓库包含了一份关于**时间序列预测/预测（TSF）和时空预测/预测（STF）**的论文阅读清单（300多篇论文！！！）。这些论文主要根据模型类型进行分类。**本仓库仍在不断改进中。除了已被顶级会议或期刊接受的论文外，仓库还包括来自arXiv的最新论文。如果您发现有需要包含在此仓库中的相关论文，请随时提交拉取请求（PR）或开放问题。**如果您觉得这个仓库对您有用，请给它一个🌟。
每篇论文可能适用于一种或多种预测类型，包括单变量时间序列预测、多变量时间序列预测和时空预测，这些也会在类型列中标注。如果不考虑协变量和外生变量，单变量时间序列预测涉及使用该变量的历史来预测该变量的未来，而多变量时间序列预测涉及使用C变量的历史来预测C变量的未来。**请注意，多次重复单变量预测也可以实现多变量预测的目标，这被称为_通道独立_。但是，单变量预测方法无法提取变量之间的关系，因此区分单变量和多变量预测方法的基础在于方法是否涉及变量之间的互动。此外，在深度学习时代，许多单变量模型可以轻松修改以直接处理多变量预测，而多变量模型通常可以直接用于单变量预测。这里我们仅根据原始论文中的模型描述进行分类。**时空预测通常用于交通和天气预测，与单变量和多变量预测相比，它增加了一个空间维度。在时空预测中，如果每个测量点只有一个变量，这相当于多变量预测。因此，时空预测与多变量预测之间的区别并不明确。时空模型通常可以直接应用于多变量预测，而多变量模型也可以通过少量修改应用于时空预测。这里我们也仅根据原始论文中的模型描述进行分类。
单变量时间序列预测： ，其中L是历史长度，H是预测视野长度。
多变量时间序列预测： ，其中C是变量（通道）数。
时空预测： ，其中N是空间维度（测量点数）。
不规则时间序列：观察/采样时间不规则。
一些额外信息
🚩 2023/11/1：我用🌟标记了一些推荐的论文（只是个人偏好 😉）
🚩 2023/11/1：我增加了一个新类别 ：专为不规则时间序列设计的模型。
🚩 2023/11/1：我还推荐您查看一些其他关于优秀时间序列论文的GitHub仓库：time-series-transformers-review，awesome-AI-for-time-series-papers，time-series-papers，deep-learning-time-series。
🚩 2023/12/28：由于LLM（大型语言模型）+TS（时间序列）的话题最近很流行，我引入了一个类别（LLM）来包含相关论文。这与预训练类别区别开来。预训练主要包含设计适合时间序列的代理任务（对比或生成）的论文，并仅使用大规模时间序列数据进行预训练。
🚩 2024/4/1：一些研究人员已经将最近流行的Mamba模型引入到时间序列预测领域，可以在SSM（状态空间模型）表中找到。
🚩 2024/6/7：我会用🔥标记一些热门论文（引用超过100次的论文）。
调查与基准
| 日期 | 方法 | 会议 | 论文标题和论文解读（中文） | 代码 |
|---|---|---|---|---|
| 15-11-23 | 多步 | ACOMP 2015 | 使用神经网络进行多步预测时间序列的策略比较 | 无 |
| 19-06-20 | 深度学习🔥 | SENSJ 2019 | 时间序列预测深度学习模型综述 | 无 |
| 20-09-27 | 深度学习🔥 | Arxiv 2020 | 时间序列预测之深度学习：综述 | 无 |
| 22-02-15 | Transformer🔥 | IJCAI 2023 | 时间序列中的Transformer：综述 | 论文列表 |
| 23-03-25 | STGNN🔥 | TKDE 2023 | 城市计算中预测学习的时空图神经网络：综述 | 无 |
| 23-05-01 | 扩散 | Arxiv 2023 | 时间序列应用中的扩散模型：综述 | 无 |
| 23-06-16 | 自监督学习 | TPAMI 2024 | 时间序列分析中的自监督学习：分类，进展与前景 | 无 |
| 23-06-20 | OpenSTL | NIPS 2023 | OpenSTL：时空预测学习的综合基准 | 基准 |
| 23-07-07 | 图神经网络 | Arxiv 2023 | 时间序列的图神经网络综述：预测、分类、插补与异常检测 | 论文列表 |
| 23-10-09 | BasicTS | Arxiv 2023 | 探索多变量时间序列预测的进展：综合基准和异质性分析 | 基准 |
| 23-10-11 | ProbTS | Arxiv 2023 | ProbTS：跨不同预测视野的点预测和分布预测基准 | ProbTS |
| 23-12-28 | TSPP | Arxiv 2023 | TSPP：时间系列预测的统一基准工具 | TSPP |
| 24-01-05 | 扩散 | Arxiv 2024 | 扩散模型在时间序列预测中的兴起 | 无 |
| 24-02-15 | LLM | Arxiv 2024 | 大型语言模型用于预测和异常检测：系统文献综述 | 无 |
| 24-03-21 | 基础模型 | Arxiv 2024 | 时间序列分析的基础模型：教程与综述 | 无 |
| 24-03-29 | TFB | VLDB 2024 | TFB：全面和公平的时间序列预测方法基准 | TFB |
| 24-04-24 | Mamba-360 | Arxiv 2024 | Mamba-360：作为长序列建模Transformer替代的状态空间模型综述：方法、应用与挑战 | Mamba-360 |
| 24-04-29 | 扩散 | Arxiv 2024 | 关于时间序列和时空数据的扩散模型综述 | 论文列表 |
| 24-05-03 | 基础模型 | Arxiv 2024 | 时间序列基础模型综述：利用大型语言模型的时间序列表示泛化 | 论文列表 |
| 24-07-18 | TSLib🌟 | Arxiv 2024 | 深度时间序列模型：全面综述和基准 | TSLib |
| 24-07-29 | Transformer | Arxiv 2024 | 综述和分类：数据中心AI在基于Transformer的时间序列预测中的角色 | 无 |
Transformer.
| 日期 | 方法 | 类型 | 会议 | 论文标题及论文解读（中文） | 代码 |
|---|---|---|---|---|---|
| 19-06-29 | LogTrans🔥 | | NIPS 2019 | 增强局部性并打破Transformer在时间序列预测中的记忆瓶颈 | flowforecast |
| 19-12-19 | TFT🌟🔥 | | IJoF 2021 | 用于可解释多周期时间序列预测的时序融合Transformer | tft |
| 20-01-23 | InfluTrans🔥 | | Arxiv 2020 | 用于时间序列预测的深度Transformer模型：流感流行情况 | influenza transformer |
| 20-06-05 | AST 🔥 | | NIPS 2020 | 对抗稀疏Transformer用于时间序列预测 | AST |
| 20-12-14 | Informer🌟🔥 | | AAAI 2021 | Informer：用于长序列时间序列预测的高效Transformer | Informer |
| 21-05-22 | ProTran | | NIPS 2021 | 用于时间序列分析的概率Transformer | 无 |
| 21-06-24 | Autoformer🌟🔥 | | NIPS 2021 | Autoformer：基于自相关的分解Transformer用于长期序列预测 | Autoformer |
| 21-09-17 | Aliformer | | Arxiv 2021 | 从已知到未知：知识引导Transformer用于阿里巴巴时间序列销售预测 | 无 |
| 21-10-05 | Pyraformer🔥 | | ICLR 2022 | Pyraformer：用于长距离时间序列建模和预测的低复杂度金字塔注意机制 | Pyraformer |
| 22-01-14 | Preformer | | ICASSP 2023 | Preformer：具有多尺度段式相关性的预测Transformer用于长期时间序列预测 | Preformer |
| 22-01-30 | FEDformer🌟🔥 | | ICML 2022 | FEDformer：用于长期序列预测的频率增强分解Transformer | FEDformer |
| 22-02-03 | ETSformer 🔥 | | Arxiv 2022 | ETSformer：用于时间序列预测的指数平滑Transformer | etsformer |
| 22-02-07 | TACTiS | | ICML 2022 | TACTiS：用于时间序列的Transformer-注意Copulas | TACTiS |
| 22-04-28 | Triformer | | IJCAI 2022 | Triformer：用于长序列多变量时间序列预测的三角变量特定注意力机制 | Triformer |
| 22-05-27 | TDformer | | NIPSW 2022 | 先去趋势再注意：重新思考时间序列预测注意力机制 | TDformer |
| 22-05-28 | 非平稳Transformer 🔥 | | NIPS 2022 | 非平稳Transformer：重新思考时间序列预测中的平稳性 | 非平稳Transformer |
| 22-06-08 | Scaleformer | | ICLR 2023 | Scaleformer：用于时间序列预测的迭代多尺度精炼Transformer | Scaleformer |
| 22-08-14 | Quatformer | | KDD 2022 | 学习旋转：用于复杂周期时间序列预测的四元数Transformer | Quatformer |
| 22-08-30 | 持续初始化 | | Arxiv 2022 | 持续初始化：时间序列预测的Transformer架构的新颖适应 | 无 |
| 22-09-08 | W-Transformers | | ICMLA 2022 | W-Transformers：用于单变量时间序列预测的基于小波的Transformer框架 | w-transformer |
| 22-09-22 | Crossformer 🔥 | | ICLR 2023 | Crossformer：利用跨维度依赖关系的多变量时间序列预测Transformer | Crossformer |
| 22-09-22 | PatchTST🌟🔥 | | ICLR 2023 | 一个时间序列值64字：使用Transformer进行长期预测 | PatchTST |
| 22-11-29 | AirFormer | | AAAI 2023 | AirFormer：使用Transformer预测中国的全国空气质量 | AirFormer |
| 22-12-06 | TVT | | Arxiv 2022 | 一个K变量时间序列值K字：长期多变量时间序列预测的进化版通用Transformer架构 | 无 |
| 23-01-05 | Conformer | | ICDE 2023 | 向长期时间序列预测迈进：特征、模式和分布 | Conformer |
| 23-01-19 | PDFormer🔥 | | AAAI 2023 | PDFormer：面向交通流预测的传播时延感知动态长距Transformer | PDFormer |
| 23-03-01 | ViTST | | NIPS 2023 | 将时间序列视为图像：面向不规则采样时间序列的视觉Transformer | ViTST |
| 23-05-20 | CARD | | ICLR 2024 | CARD：用于时间序列预测的通道对齐稳健混合Transformer | CARD |
| 23-05-24 | JTFT | | NN 2024 | 一种用于多变量时间序列预测的时频域联合Transformer | None |
| 23-05-30 | HSTTN | | IJCAI 2023 | 采用分层空间-时间Transformer的长期风力发电预测 | None |
| 23-05-30 | Client | | Arxiv 2023 | Client：面向长期多变量时间序列预测的跨变量线性集成增强Transformer | Client |
| 23-05-30 | Taylorformer | | Arxiv 2023 | Taylorformer：时间序列及其他过程的概率预测 | Taylorformer |
| 23-06-05 | Corrformer🌟 | | NMI 2023 | 采用统一深度模型的全球站点可解释天气预报 | Corrformer |
| 23-06-14 | GCformer | | CIKM 2023 | GCformer：一种精准且可扩展的长期多变量时间序列预测的有效解决方案 | GCformer |
| 23-07-04 | SageFormer | | IoT 2024 | SageFormer：用于多变量时间序列预测的系列感知图增强Transformer | SageFormer |
| 23-07-10 | DifFormer | | TPAMI 2023 | DifFormer：具有动态范围的多分辨率差异Transformer用于时间序列分析 | None |
| 23-07-27 | HUTFormer | | Arxiv 2023 | HUTFormer：用于长期交通预测的分层U-Net Transformer | None |
| 23-08-07 | DSformer | | CIKM 2023 | DSformer：用于多变量时间序列长期预测的双重采样Transformer | None |
| 23-08-09 | SBT | | KDD 2023 | 用于多变量时间序列建模的稀疏二元Transformer | None |
| 23-08-09 | PETformer | | Arxiv 2023 | PETformer：通过占位符增强Transformer进行长期时间序列预测 | None |
| 23-10-02 | TACTiS-2 | | ICLR 2024 | TACTiS-2：更好、更快、更简单的多变量时间序列注意力函数耦合预测 | None |
| 23-10-03 | PrACTiS | | Arxiv 2023 | PrACTiS：用于时间序列的感知-注意力函数耦合预测 | None |
| 23-10-10 | iTransformer🔥 | | ICLR 2024 | iTransformer：倒置Transformer在时间序列预测中的有效性 | iTransformer |
| 23-10-26 | ContiFormer | | NIPS 2023 | ContiFormer：用于不规则时间序列建模的连续时间Transformer | ContiFormer |
| 23-10-31 | BasisFormer | | NIPS 2023 | BasisFormer：具有可解释和可学习基准的基于注意力的时间序列预测 | basisformer |
| 23-11-07 | MTST | | AISTATS 2023 | 多分辨率时间序列Transformer用于长期预测 | MTST |
| 23-11-30 | MultiResFormer | | Arxiv 2023 | MultiResFormer：具有自适应多分辨率建模的通用时间序列预测Transformer | None |
| 23-12-10 | FPPformer | | IOT 2023 | 走一条不寻常的路线：增强时间序列预测Transformer的解码器 | FPPformer |
| 23-12-11 | Dozerformer | | Arxiv 2023 | Dozerformer：用于多变量时间序列预测的序列自适应稀疏Transformer | None |
| 23-12-11 | CSformer | | Arxiv 2023 | 通道与序列之舞：用于多变量时间序列预测的高效基于注意力的方法 | None |
| 23-12-23 | MASTER | | AAAI 2024 | MASTER：用于股价预测的市场引导股Transformer | MASTER |
| 23-12-30 | PCA+former | | Arxiv 2023 | Transformer多变量预测：少即是多？ | None |
| 24-01-16 | | ICLR 2024 | 长期时间序列预测的周期解耦框架 | ||
| 24-01-16 | Pathformer | | ICLR 2024 | 时间序列预测的多尺度自适应路径Transformer | None |
| 24-01-16 | VQ-TR | | ICLR 2024 | VQ-TR: 用于时间序列预测的矢量量化注意力 | None |
| 24-01-22 | HDformer | | Arxiv 2024 | 越大越好？重新考虑长期时间序列预测中的有效模型规模 | None |
| 24-02-04 | Minusformer | | Arxiv 2024 | Minusformer: 通过渐进学习残差改进时间序列预测 | Minusformer |
| 24-02-08 | AttnEmbed | | Arxiv 2024 | 作为时间序列预测健壮表示的注意力机制 | AttnEmbed |
| 24-02-15 | SAMformer | | ICML 2024 | 通过锐度感知最小化和通道注意力释放时间序列预测中的Transformer潜力 | SAMformer |
| 24-02-25 | PDETime | | Arxiv 2024 | PDETime: 从偏微分方程角度重新思考长期多变量时间序列预测 | None |
| 24-02-29 | TimeXer | | Arxiv 2024 | TimeXer: 通过外生变量增强时间序列预测的Transformer | None |
| 24-03-05 | InjectTST | | Arxiv 2024 | InjectTST: 一种将全局信息注入独立通道的长期时间序列预测Transformer方法 | None |
| 24-03-13 | Caformer | | Arxiv 2024 | Caformer: 从因果角度重新思考时间序列分析 | None |
| 24-03-14 | MCformer | | Arxiv 2024 | MCformer: 用混合通道Transformer进行多变量时间序列预测 | None |
| 24-04-08 | ATFNet | | Arxiv 2024 | ATFNet: 用于长期时间序列预测的自适应时间频率集成网络 | ATFNet |
| 24-04-12 | TSLANet | | ICML 2024 | TSLANet: 重新思考时间序列表示学习中的Transformer | TSLANet |
| 24-04-16 | T2B-PE | | Arxiv 2024 | 时间序列预测中位置编码的有趣特性 | T2B-PE |
| 24-05-14 | DGCformer | | Arxiv 2024 | DGCformer: 用于多变量时间序列预测的深度图聚类Transformer | None |
| 24-05-19 | VCformer | | Arxiv 2024 | VCformer: 具有内在滞后相关性的多变量时间序列变量相关性Transformer | VCformer |
| 24-05-22 | GridTST | | Arxiv 2024 | 利用基础Transformer的二维信息进行长期时间序列预测 | GridTST |
| 24-05-23 | ICTSP | | Arxiv 2024 | 情景内时间序列预测器 | None |
| 24-05-27 | CATS | | Arxiv 2024 | 自注意力机制对时间序列预测有效吗？ | None |
| 24-06-06 | TwinS | | Arxiv 2024 | TwinS: 重新审视多变量时间序列预测中的非平稳性 | None |
| 24-06-07 | UniTST | | Arxiv 2024 | UniTST: 有效建模多变量时间序列的跨系列和系内依赖性 | None |
| 24-06-11 | DeformTime | | Arxiv 2024 | DeformTime: 用可变形注意力捕捉时间序列预测中的变量依赖关系 | DeformTime |
| 24-06-13 | Fredformer | | KDD 2024 | Fredformer: 时间序列预测的频率去偏差Transformer | Fredformer |
| 24-07-18 | FSatten-SOatten | | Arxiv 2024 | 重新审视多变量时间序列预测的注意力机制 | FSatten-SOatten |
| 24-07-18 | MTE | | Arxiv 2024 | 用于长期时间序列预测的长输入序列网络 | MTE |
| 24-07-31 | FreqTSF | | Arxiv 2024 | FreqTSF: 通过模拟频率Kramer-Kronig关系进行时间序列预测 | None |
| 24-08-05 | DRFormer | | CIKM 2024 | DRFormer: 利用多种接受场的多尺度Transformer进行长期时间序列预测 | DRFormer |
| 24-08-08 | STHD | | CIKM 2024 | 用于高维多变量时间序列预测的可扩展Transformer | STHD |
RNN.
| 日期 | 方法 | 类型 | 会议 | 论文标题及论文解释（中文） | 代码 |
|---|---|---|---|---|---|
| 17-03-21 | LSTNet🌟🔥 | | SIGIR 2018 | 使用深度神经网络建模长期和短期时间模式 | LSTNet |
| 17-04-07 | DA-RNN🔥 | | IJCAI 2017 | 基于双阶段注意力机制的循环神经网络用于时间序列预测 | DARNN |
| 17-04-13 | DeepAR🌟🔥 | | IJoF 2019 | DeepAR：基于自回归循环网络的概率预测 | DeepAR |
| 17-11-29 | MQRNN🔥 | | NIPSW 2017 | 基于多视角量化的循环预测方法 | MQRNN |
| 18-06-23 | mWDN🔥 | | KDD 2018 | 用于时间序列解释分析的多层次小波分解网络 | mWDN |
| 18-09-06 | MTNet | | AAAI 2019 | 基于记忆网络的多变量时间序列预测解决方案 | MTNet |
| 19-05-28 | DF-Model🔥 | | ICML 2019 | 深度因子预测 | 无 |
| 19-07-18 | ESLSTM🔥 | | IJoF 2020 | 基于指数平滑和循环神经网络的混合方法用于时间序列预测 | 无 |
| 19-07-25 | MH-TAL🔥 | | KDD 2019 | 基于时间注意力学习的多视角时间序列预测 | 无 |
| 21-11-22 | CRU | | ICML 2022 | 使用连续循环单元建模不规则时间序列 | CRU |
| 22-05-16 | C2FAR | | NIPS 2022 | C2FAR：用于精确概率预测的粗到精自回归网络 | C2FAR |
| 23-06-02 | RNN-ODE-Adap | | Arxiv 2023 | 带有自适应时间步长的神经微分循环神经网络 | RNN_ODE_Adap |
| 23-08-22 | SegRNN | | Arxiv 2023 | 用于长期时间序列预测的分段循环神经网络 | SegRNN |
| 23-10-05 | PA-RNN | | NIPS 2023 | 时间序列数据的稀疏深度学习：理论与应用 | 无 |
| 23-11-03 | WITRAN | | NIPS 2023 | WITRAN: 用于长期时间序列预测的水波信息传输与循环加速网络 | WITRAN |
| 23-12-14 | DAN | | AAAI 2024 | 从极坐标表示中学习：用于长期时间序列预测的极端自适应模型 | DAN |
| 23-12-22 | SutraNets | | NIPS 2023 | SutraNets: 用于长期序列概率预测的子序列自回归网络 | 无 |
| 24-01-17 | RWKV-TS | | Arxiv 2024 | RWKV-TS: 超越传统循环神经网络的时间序列任务 | RWKV-TS |
| 24-06-04 | TGLRN | | Arxiv 2024 | 用于交通预测的时间图学习循环神经网络 | 无 |
| 24-06-29 | CONTIME | | KDD 2024 | 解决时间序列预测中的预测延迟问题：一种具有导数正则化的连续GRU方法 | CONTIME |
| 24-07-29 | TFFM | | CIKM 2024 | 用于长期工作负载预测的多尺度表示增强时间流融合模型 | 无 |
MLP.
| Date | Method | Type | Conference | Paper Title and Paper Interpretation (In Chinese) | Code |
|---|---|---|---|---|---|
| 19-05-24 | NBeats🌟 | | ICLR 2020 | N-BEATS: 用于可解释时间序列预测的神经基扩展分析 | NBeats |
| 21-04-12 | NBeatsX | | IJoF 2022 | 带外生变量的神经基扩展分析：用NBEATSx预测电价 | NBeatsX |
| 22-01-30 | N-HiTS🌟 | | AAAI 2023 | N-HiTS: 时间序列预测的神经分层插值 | N-HiTS |
| 22-05-15 | DEPTS | | ICLR 2022 | DEPTS: 用于周期性时间序列预测的深度扩展学习 | DEPTS |
| 22-05-24 | FreDo | | Arxiv 2022 | FreDo: 基于频域的长期时间序列预测 | None |
| 22-05-26 | DLinear🌟 | | AAAI 2023 | Transformer在时间序列预测中有效吗？ | DLinear |
| 22-06-24 | TreeDRNet | | Arxiv 2022 | TreeDRNet: 用于长期时间序列预测的鲁棒深度模型 | None |
| 22-07-04 | LightTS | | Arxiv 2022 | Less Is More: 用轻量级采样导向MLP结构实现的快速多变量时间序列预测 | LightTS |
| 22-08-10 | STID | | CIKM 2022 | Spatial-Temporal Identity: 一个简单但有效的多变量时间序列预测基线 | STID |
| 23-01-30 | SimST | | Arxiv 2023 | 我们真的需要图神经网络来进行交通预测吗？ | None |
| 23-02-09 | MTS-Mixers | | Arxiv 2023 | MTS-Mixers: 通过因式分解时间和通道混合进行多变量时间序列预测 | MTS-Mixers |
| 23-03-10 | TSMixer | | Arxiv 2023 | TSMixer: 一个用于时间序列预测的全MLP架构 | None |
| 23-04-17 | TiDE🌟 | | Arxiv 2023 | LONG-TERM FORECASTING WITH TiDE: Time-series Dense Encoder | TiDE |
| 23-05-18 | RTSF | | Arxiv 2023 | 重新审视长期时间序列预测：线性映射的研究 | RTSF |
| 23-05-30 | Koopa🌟 | | NIPS 2023 | Koopa: 用Koopman预测器学习非平稳时间序列动态 | Koopa |
| 23-06-14 | CI-TSMixer | | KDD 2023 | TSMixer: 用于多变量时间序列预测的轻量级MLP-Mixer模型 | None |
| 23-07-06 | FITS🌟 | | ICLR 2024 | FITS: 用1万个参数建模时间序列 | FITS |
| 23-08-14 | ST-MLP | | Arxiv 2023 | ST-MLP: 一种采用通道独立策略的级联时空线性框架用于交通预测 | None |
| 23-08-25 | TFDNet | | Arxiv 2023 | TFDNet: 强化时间-频率的分解网络用于长期时间序列预测 | None |
| 23-11-10 | FreTS | | NIPS 2023 | 频域MLP在时间序列预测中是更有效的学习者 | FreTS |
| 23-12-11 | MoLE | | AISTATS 2024 | 长期时间序列预测的线性专家混合模型 | MoLE |
| 23-12-22 | STL | | Arxiv 2023 | 时空线性：迈向通用多变量时间序列预测 | None |
| 24-01-04 | U-Mixer | | AAAI 2024 | U-Mixer: 一种具有平稳性校正的Unet-Mixer架构用于时间序列预测 | None |
| 24-01-16 | TimeMixer | | ICLR 2024 | TimeMixer: 时间序列预测的可分多尺度混合 | TimeMixer |
| 24-02-16 | RPMixer | | Arxiv 2024 | 用于多维时间序列预测的随机投影层 | None |
| 24-02-20 | IDEA | | Arxiv 2024 | 什么时候和怎样：学习非平稳时间序列预测的可识别潜在状态 | None |
| 24-03-04 | CATS | | ICML 2024 | CATS: 通过构建辅助时间序列作为外生变量来增强多变量时间序列预测 | 无 |
| 24-03-21 | OLS | | ICML 2024 | 线性时间序列预测模型分析 | 无 |
| 24-03-24 | HDMixer | | AAAI 2024 | HDMixer: 使用可扩展补丁构建分层依赖性进行多变量时间序列预测 | HDMixer |
| 24-04-22 | SOFTS | | Arxiv 2024 | SOFTS：通过序列核心融合高效进行多变量时间序列预测 | SOFTS |
| 24-05-02 | SparseTSF | | ICML 2024 | SparseTSF：使用1k参数进行长期时间序列预测模型 | SparseTSF |
| 24-05-10 | TEFN | | Arxiv 2024 | 时间证据融合网络：长期时间序列预测中的多源视图 | TEFN |
| 24-05-22 | PDMLP | | Arxiv 2024 | PDMLP：基于补丁的分解多层感知机用于长期时间序列预测 | 无 |
| 24-06-06 | AMD | | Arxiv 2024 | 自适应多尺度分解框架用于时间序列预测 | AMD |
| 24-06-07 | TimeSieve | | Arxiv 2024 | TimeSieve：通过信息瓶颈提取时间动态 | TimeSieve |
| 24-06-29 | DERITS | | IJCAI 2024 | 深度频率导数学习用于非平稳时间序列预测 | 无 |
| 24-07-15 | ODFL | | Arxiv 2024 | 全维频率学习器用于通用时间序列分析 | 无 |
| 24-07-17 | FreDF | | MM 2024 | 并非所有频率都是平等创造的：面向时间序列预测的动态频率融合 | 无 |
TCN/CNN.
| 日期 | 方法 | 类型 | 会议 | 论文标题及论文解读 | 代码 |
|---|---|---|---|---|---|
| 19-05-09 | DeepGLO🌟 | | NIPS 2019 | 全局思考，本地行为：一种用于高维时间序列预测的深度神经网络方法 | deepglo |
| 19-05-22 | DSANet | | CIKM 2019 | DSANet: 多变量时间序列预测的双重自注意力网络 | DSANet |
| 19-12-11 | MLCNN | | AAAI 2020 | 通过融合近未来和远未来视角进行更好的预测 | MLCNN |
| 21-06-17 | SCINet | | NIPS 2022 | SCINet: 使用采样卷积和交互的时间序列建模与预测 | SCINet |
| 22-09-22 | MICN | | ICLR 2023 | MICN: 用于长期系列预测的多尺度局部和全局上下文建模 | MICN |
| 22-09-22 | TimesNet🌟 | | ICLR 2023 | TimesNet: 用于一般时间序列分析的时间二维变异建模 | TimesNet |
| 23-02-23 | LightCTS | | SIGMOD 2023 | LightCTS: 一种轻量框架，用于相关时间序列预测 | LightCTS |
| 23-05-25 | TLNets | | Arxiv 2023 | TLNets: 用于长期时间序列预测的变换学习网络 | TLNets |
| 23-06-04 | Cross-LKTCN | | Arxiv 2023 | Cross-LKTCN: 利用跨变量依赖的现代卷积用于多变量时间序列预测 | 无 |
| 23-06-12 | MPPN | | Arxiv 2023 | MPPN: 用于长期时间序列预测的多分辨率周期模式网络 | 无 |
| 23-06-19 | FDNet | | KBS 2023 | FDNet: 用于高效、鲁棒和实用的时间序列预测的聚焦分解网络 | FDNet |
| 23-10-01 | PatchMixer | | Arxiv 2023 | PatchMixer: 一种用于长期时间序列预测的块混合架构 | PatchMixer |
| 23-11-01 | WinNet | | Arxiv 2023 | WinNet: 通过窗口增强的周期提取和交互进行时间序列预测 | 无 |
| 23-11-27 | ModernTCN🌟 | | ICLR 2024 | ModernTCN: 一种用于一般时间序列分析的现代纯卷积结构 | ModernTCN |
| 23-11-27 | UniRepLKNet | | Arxiv 2023 | UniRepLKNet: 一种通用感知大核ConvNet，用于音频、视频、点云、时间序列和图像识别 | UniRepLKNet |
| 24-03-03 | ConvTimeNet | | Arxiv 2024 | ConvTimeNet: 一种用于多变量时间序列分析的深度层次全卷积模型 | ConvTimeNet |
| 24-05-20 | ATVCNet | | Arxiv 2024 | ATVCNet: 用于多变量长序列时间序列预测的自适应提取网络 | 无 |
| 24-05-24 | FTMixer | | Arxiv 2024 | FTMixer: 用于时间序列建模的频域和时域表示融合 | FTMixer |
GNN.
| 日期 | 方法 | 类型 | 会议 | 论文标题和论文解读 | 代码 |
|---|---|---|---|---|---|
| 17-09-14 | STGCN🌟 | | IJCAI 2018 | 时空图卷积网络：一种用于交通预测的深度学习框架 | STGCN |
| 19-05-31 | Graph WaveNet | | IJCAI 2019 | 深度时空图建模的图WaveNet | Graph-WaveNet |
| 19-07-17 | ASTGCN | | AAAI 2019 | 基于注意力的空间-时间图卷积网络用于交通流预测 | ASTGCN |
| 20-04-03 | SLCNN | | AAAI 2020 | 用于交通预测的时空图结构学习 | 无 |
| 20-04-03 | GMAN | | AAAI 2020 | GMAN：用于交通预测的图多重注意网络 | GMAN |
| 20-05-03 | MTGNN🌟 |  | KDD 2020 | 连线：使用图神经网络进行多变量时间序列预测 | MTGNN |
| 21-03-13 | StemGNN🌟 | | NIPS 2020 | 用于多变量时间序列预测的光谱时空图神经网络 | StemGNN |
| 22-05-16 | TPGNN | | NIPS 2022 | 使用时间多项式图神经网络进行多变量时间序列预测 | TPGNN |
| 22-06-18 | D2STGNN | | VLDB 2022 | 用于交通预测的解耦动态时空图神经网络 | D2STGNN |
| 23-05-12 | DDGCRN | | PR 2023 | 用于交通预测的分解动态图卷积递归网络 | DDGCRN |
| 23-05-30 | HiGP | | ICML 2024 | 基于图的时间序列聚类用于端到端的分层预测 | 无 |
| 23-07-10 | NexuSQN | | Arxiv 2023 | Nexus sine qua non: 用于多变量时间序列时空预测的本质连接神经网络 | 无 |
| 23-11-10 | FourierGNN | | NIPS 2023 | FourierGNN: 从纯图视角重新思考多变量时间序列预测 | FourierGNN |
| 23-12-05 | SAMSGL | | TETCI 2023 | SAMSGL: 用于时空预测的系列对齐多尺度图学习 | 无 |
| 23-12-27 | TGCRN | | ICDE 2024 | 学习用于时空相关时间序列预测的时间感知图结构 | 无 |
| 23-12-27 | FCDNet | | Arxiv 2023 | FCDNet: 用于多变量时间序列预测的频率引导互补依赖建模 | FCDNet |
| 23-12-31 | MSGNet | | AAAI 2024 | MSGNet: 学习用于多变量时间序列预测的多尺度序列间相关性 | MSGNet |
| 24-01-15 | RGDAN | | NN 2024 | RGDAN: 用于交通预测的随机图扩散注意网络 | RGDAN |
| 24-01-16 | BiTGraph | | ICLR 2024 | 用于缺失值时间序列预测的偏置时空卷积图网络 | BiTGraph |
| 24-01-24 | TMP | | AAAI 2024 | 动态对象多维持久性时间敏感知识表示 | 无 |
| 24-02-16 | HD-TTS | | ICML 2024 | 通过时空下采样处理缺失数据的图预测 | 无 |
| 24-05-02 | T-PATCHGNN | | ICML 2024 | 不规则多变量时间序列预测：一种可转换的拼接图神经网络方法 | t-PatchGNN |
| 24-05-17 | HimNet | | KDD 2024 | 用于时空时间序列预测的异质性知悉元参数学习 | HimNet |
| 24-05-28 | GFC-GNN | | Arxiv 2024 | ForecastGrapher: 用图神经网络重新定义多变量时间序列预测 | 无 |
| 24-06-18 | SAGDFN | | ICDE 2024 | SAGDFN: 一种用于多变量时间序列预测的可扩展自适应图扩散预测网络 | 无 |
## SSM (State Space Model).
| 日期 | 方法 | 会议 | 论文标题及论文解读（中文） | 代码 |
|---|---|---|---|---|
| 18-05-18 | DSSM | NIPS 2018 | 深度状态空间模型用于时间序列预测 | 无 |
| 19-08-10 | DSSMF | IJCAI 2019 | 学习可解释的深度状态空间模型用于概率时间序列预测 | 无 |
| 22-08-19 | SSSD | TMLR 2022 | 基于扩散的时间序列插补与预测的结构化状态空间模型 | SSSD |
| 22-09-22 | SpaceTime | ICLR 2023 | 使用简单离散状态空间有效建模时间序列 | SpaceTime |
| 22-12-24 | LS4 | ICML 2023 | 用于时间序列生成的深度潜在状态空间模型 | LS4 |
| 24-02-18 | Attraos | Arxiv 2024 | 长期时间序列预测的吸引子记忆：一种混沌视角 | 无 |
| 24-03-14 | TimeMachine | Arxiv 2024 | TimeMachine：长期预测的时间序列值为四条曼巴 | 无 |
| 24-03-17 | S-D-Mamba | Arxiv 2024 | 曼巴对时间序列预测有效吗？ | S-D-Mamba |
| 24-03-22 | SiMBA | Arxiv 2024 | SiMBA：基于曼巴的简化视觉和多变量时间序列架构 | Simba |
| 24-03-29 | TSM2 | Arxiv 2024 | MambaMixer：具有双令牌和通道选择的高效选择性状态空间模型 | M2 |
| 24-04-23 | Mambaformer | Arxiv 2024 | 整合曼巴和Transformer用于长短期时间序列预测 | Mambaformer |
| 24-04-24 | Bi-Mamba4TS | Arxiv 2024 | Bi-Mamba4TS：用于时间序列预测的双向曼巴 | 无 |
| 24-05-11 | DTMamba | Arxiv 2024 | DTMamba：用于时间序列预测的双重双胞胎曼巴 | 无 |
| 24-05-25 | Time-SSM | Arxiv 2024 | Time-SSM：简化和统一状态空间模型用于时间序列预测 | 无 |
| 24-05-26 | MambaTS | Arxiv 2024 | MambaTS：改进的选择性状态空间模型用于长期时间序列预测 | 无 |
| 24-06-06 | Chimera | Arxiv 2024 | Chimera：二维状态空间模型有效建模多变量时间序列 | 无 |
| 24-06-08 | C-Mamba | Arxiv 2024 | C-Mamba：用于多变量时间序列预测的通道相关增强状态空间模型 | CMamba |
| 24-07-20 | FMamba | Arxiv 2024 | FMamba：基于快速注意力的曼巴用于多变量时间序列预测 | 无 |
生成模型.
| 日期 | 方法 | 会议 | 论文标题及论文解读（中文） | 代码 |
|---|---|---|---|---|
| 20-02-14 | MAF🌟 | ICLR 2021 | 通过条件归一化流进行多变量概率时间序列预测 | MAF |
| 21-01-18 | TimeGrad🌟 | ICML 2021 | 用于多变量概率时间序列预测的自回归去噪扩散模型 | TimeGrad |
| 21-07-07 | CSDI | NIPS 2021 | CSDI：用于概率时间序列填充的条件得分扩散模型 | CSDI |
| 22-05-16 | MANF | Arxiv 2022 | 多尺度注意流用于概率时间序列预测 | 无 |
| 22-05-16 | D3VAE | NIPS 2022 | 基于扩散、去噪和解缠的生成时间序列预测 | D3VAE |
| 22-12-28 | Hier-Transformer-CNF | Arxiv 2022 | 使用自回归Transformer和基于条件归一化流的端到端建模层次时间序列 | 无 |
| 23-03-13 | HyVAE | Arxiv 2023 | 用于时间序列预测的混合变分自编码器 | 无 |
| 23-06-05 | WIAE | Arxiv 2023 | 通过创新表示进行非参数概率时间序列预测 | 无 |
| 23-06-08 | TimeDiff🌟 | ICML 2023 | 用于时间序列预测的非自回归条件扩散模型 | 无 |
| 23-07-21 | TSDiff | NIPS 2023 | 预测、精炼、合成：自我引导扩散模型用于概率时间序列预测 | TSDiff |
| 24-01-16 | FTS-Diffusion | ICLR 2024 | 针对不规则和尺度不变模式的金融时间序列生成学习 | 无 |
| 24-01-16 | MG-TSD | ICLR 2024 | MG-TSD：具有引导学习过程的多粒度时间序列扩散模型 | MG-TSD |
| 24-01-16 | TMDM | ICLR 2024 | 用于概率多变量时间序列预测的Transformer调制扩散模型 | 无 |
| 24-01-16 | mr-Diff | ICLR 2024 | 用于时间序列预测的多分辨率扩散模型 | 无 |
| 24-01-16 | Diffusion-TS | ICLR 2024 | Diffusion-TS：用于通用时间序列生成的可解释扩散 | Diffusion-TS |
| 24-01-16 | SpecSTG | Arxiv 2024 | SpecSTG：用于概率时空交通预测的快速谱扩散框架 | SpecSTG |
| 24-02-03 | GenFormer | Arxiv 2024 | GenFormer：用于生成多变量随机过程的深度学习方法 | GenFormer |
| 24-01-30 | IN-Flow | Arxiv 2024 | 通过实例归一化流解决时间序列预测中的分布偏移 | 无 |
| 24-03-24 | LDT | AAAI 2024 | 用于概率时间序列预测的潜在扩散Transformer | 无 |
| 24-06-04 | GPD | Arxiv 2024 | 用于零样本时间序列预测的生成预训练扩散范式 | 无 |
| 24-06-05 | StochDiff | Arxiv 2024 | 随机扩散：用于随机时间序列预测的扩散概率模型 | 无 |
| 24-06-11 | ProFITi | Arxiv 2024 | 几何一致的分离流混合物用于概率不规则时间序列预测 | 无 |
时间索引模型。
| 日期 | 方法 | 类型 | 会议 | 论文标题及论文解读（中文） | 代码 |
|---|---|---|---|---|---|
| 17-05-25 | ND | | TNNLS 2017 | 时间序列数据的神经分解用于有效泛化 | 无 |
| 17-08-25 | Prophet🌟 | | TAS 2018 | 大规模预测 | Prophet |
| 22-07-13 | DeepTime | | ICML 2023 | 时间序列预测的时间索引深度学习模型 | DeepTime |
| 23-06-09 | TimeFlow | | Arxiv 2023 | 时间序列连续建模用于填补和预测的隐式神经表示 | 无 |
| 24-01-16 | DAM🌟 | | ICLR 2024 | DAM：时间序列预测的基础模型探索 | 无 |
即插即用 (与模型无关)
| 日期 | 方法 | 会议 | 论文题目和论文解读（中文） | 代码 |
|---|---|---|---|---|
| 19-02-21 | DAIN🌟 | TNNLS 2020 | 时间序列预测的深度自适应输入归一化 | DAIN |
| 19-09-19 | DILATE | NIPS 2019 | 深度时间序列预测模型训练中的形状和时间扭曲损失 | DILATE |
| 21-07-19 | TAN | NIPS 2021 | 时间序列预测的拓扑注意力 | TAN |
| 21-09-29 | RevIN🌟 | ICLR 2022 | 在对抗分布变化的精确时间序列预测中的可逆实例归一化 | RevIN |
| 22-02-23 | MQF2 | AISTATS 2022 | 多元分位数函数预测器 | 无 |
| 22-05-18 | FiLM | NIPS 2022 | FiLM：用于长期时间序列预测的频率改进勒让德记忆模型 | FiLM |
| 23-02-18 | FrAug | Arxiv 2023 | FrAug：用于时间序列预测的频域增强 | FrAug |
| 23-02-22 | Dish-TS | AAAI 2023 | Dish-TS：时间序列预测中缓解分布转变的通用范式 | Dish-TS |
| 23-02-23 | Adaptive Sampling | NIPSW 2022 | 分布变化下的概率预测自适应采样 | 无 |
| 23-04-19 | RoR | ICML 2023 | 多变量概率预测评估中的可靠区域 | RoR |
| 23-05-26 | BetterBatch | Arxiv 2023 | 深度概率时间序列预测的更优批次 | 无 |
| 23-05-28 | PALS | Arxiv 2023 | 训练过程中自适应稀疏度级别的变换时间序列预测 | 无 |
| 23-06-09 | FeatureProgramming | ICML 2023 | 多变量时间序列预测的特征编程 | FeatureProgramming |
| 23-07-18 | Look_Ahead | SIGIR 2023 | 展望未来：通过预览未来时间特征提高时间序列预测的准确性 | Look_Ahead |
| 23-09-14 | QFCV | Arxiv 2023 | 时间序列预测中预测误差的不确定区间 | QFCV |
| 23-10-09 | PeTS | Arxiv 2023 | 表现性时间序列预测 | PeTS |
| 23-10-23 | EDAIN | Arxiv 2023 | 扩展深度自适应输入归一化用于神经网络预处理时间序列数据 | EDAIN |
| 23-10-23 | SOLID | KDD 2024 | 时间序列预测的校准：检测和适应上下文驱动的分布变化 | SOLID |
| 23-11-19 | TimeSQL | Arxiv 2023 | TimeSQL：通过多尺度拼接和平滑二次损失提高多变量时间序列预测 | 无 |
| 24-01-16 | LIFT | ICLR 2024 | 重新思考多变量时间序列预测中的通道依赖性：从领先指标中学习 | 无 |
| 24-01-16 | RobustTSF | ICLR 2024 | RobustTSF：面向具有异常的时间序列预测的理论与设计 | RobustTSF |
| 24-02-04 | FreDF | Arxiv 2024 | FreDF：学习以频域进行预测 | FreDF |
| 24-02-14 | PDLS | ICML 2024 | 具有损失变形约束的变压器用于长期时间序列预测 | 无 |
| 24-02-20 | Leddam | ICML 2024 | 振兴多变量时间序列预测：具有系列间依赖和系列内变异建模的可学习分解 | 无 |
| 24-03-01 | InfoTime | Arxiv 2024 | 通过互信息驱动的跨变量和时间建模增强多变量时间序列预测 | 无 |
| 24-03-13 | wavelet-ML | Arxiv 2024 | 利用非抽样小波包特征和变压器模型进行时间序列预测 | 无 |
| 24-03-31 | CCM | Arxiv 2024 | 从相似性到优越性：时间序列预测中的通道聚类 | 无 |
| 24-05-24 | UnitNorm | Arxiv 2024 | UnitNorm：重新思考时间序列中的变压器归一化 | UnitNorm |
| 24-05-29 | HCAN | Arxiv 2024 | 用于时间序列预测的分级分类辅助网络 | HCAN |
| 24-06-07 | TDT | Arxiv 2024 | 一切皆为TDT损失：将目标间的时间依赖性整合到非自回归时间序列预测中 | 无 |
| 24-06-19 | Gaussian | Arxiv 2024 | 具有非重尾高斯损失加权采样的稳健时间序列预测 | 无 |
| 24-07-21 | TimeInf | Arxiv 2024 | TimeInf：通过影响函数时间序列数据贡献 | TimeInf |
| 24-07-24 | C-LoRA | CIKM 2024 | 时间序列预测中的通道感知低秩适应 | C-LoRA |
大型语言模型 (LLM)。
| 日期 | 方法 | 会议 | 论文标题及论文解读 | 代码 |
|---|---|---|---|---|
| 22-09-20 | PromptCast | TKDE 2023 | PromptCast：一种用于时间序列预测的新型提示学习范式 | PISA |
| 23-02-23 | FPT 🌟 | NIPS 2023 | 一体适用：预训练LM的时间序列分析 | One-Fits-All |
| 23-05-17 | LLMTime | NIPS 2023 | 大型语言模型是零样本时间序列预测者 | LLMTime |
| 23-08-16 | TEST | ICLR 2024 | TEST：通过文本原型对齐嵌入激活LLM的时间序列预测能力 | None |
| 23-08-16 | LLM4TS | Arxiv 2023 | LLM4TS：用预训练LLMs进行时间序列预测的两阶段微调方法 | None |
| 23-10-03 | Time-LLM | ICLR 2024 | Time-LLM：通过重新编程大型语言模型进行时间序列预测 | None |
| 23-10-08 | TEMPO | ICLR 2024 | TEMPO：用于时间序列预测的提示生成预训练转换器 | TEMPO |
| 23-10-12 | Lag-Llama | Arxiv 2023 | Lag-Llama：迈向时间序列基础模型 | Lag-Llama |
| 23-10-15 | UniTime | WWW 2024 | UniTime：一种语言赋能的跨领域时间序列统一模型 | UniTime |
| 23-11-03 | ForecastPFN | NIPS 2023 | ForecastPFN：通过合成训练实现零样本预测 | ForecastPFN |
| 23-11-24 | FPT++ 🌟 | Arxiv 2023 | 一体适用：通过预训练LM和特别设计的适配器进行通用时间序列分析 | GPT4TS_Adapter |
| 24-01-18 | ST-LLM | Arxiv 2024 | 用于交通预测的时空大型语言模型 | None |
| 24-02-01 | LLMICL | Arxiv 2024 | LLM学习动态系统的治理原则，揭示上下文中的神经扩展规律 | LLMICL |
| 24-02-04 | AutoTimes | Arxiv 2024 | AutoTimes：通过大型语言模型实现自回归时间序列预测 | AutoTimes |
| 24-02-05 | Position Paper | Arxiv 2024 | 立场论文：大型语言模型能告诉我们关于时间序列分析的什么 | None |
| 24-02-07 | aLLM4TS | ICML 2024 | 多块预测：适应于时间序列表示学习的LLM | None |
| 24-02-16 | TSFwithLLM | Arxiv 2024 | 用LLM进行时间序列预测：理解和增强模型能力 | None |
| 24-02-25 | LSTPrompt | Arxiv 2024 | LSTPrompt：通过长短期提示使大型语言模型成为零样本时间序列预测者 | LSTPrompt |
| 24-03-09 | S2IP-LLM | ICML 2024 | S2IP-LLM：用LLM进行时间序列预测的语义空间知息提示学习 | None |
| 24-03-12 | CALF | Arxiv 2024 | CALF：通过跨模态微调对齐LLM用于时间序列预测 | CALF |
| 24-03-12 | Chronos 🌟 | Arxiv 2024 | Chronos：学习时间序列的语言 | Chronos |
| 24-04-17 | TSandLanguage | Arxiv 2024 | 语言模型在时间序列零样本推理中仍有困难 | TSandLanguage |
| 24-05-22 | TGForecaster | Arxiv 2024 | 超越趋势和周期性：通过文本提示指导时间序列预测 | tgtsf |
| 24-05-23 | Time-FFM | Arxiv 2024 | Time-FFM：迈向LM赋能的联邦基础模型，用于时间序列预测 | None |
| 24-06-03 | TimeCMA | Arxiv 2024 | TimeCMA：通过跨模态对齐赋能时间序列预测的LLM | None |
| 24-06-07 | LMGF | Arxiv 2024 | 用于处理分布偏移时间序列的语言模型引导框架 | None |
| 24-06-12 | Time-MMD | Arxiv 2024 | Time-MMD：一种新的用于时间序列分析的多域多模态数据集 | Time-MMD |
| 24-06-20 | LTSM-bundle | Arxiv 2024 | 理解训练大型时间序列模型时的不同设计选择 | ltsm |
| 24-06-22 | AreLLMUseful | Arxiv 2024 | 语言模型对于时间序列预测真的有用吗？ | ts_models |
| 24-07-30 | FedTime | Arxiv 2024 | 一种用于长期时间序列预测的联邦大型语言模型 | None |
预训练与表示.
| 日期 | 方法 | 会议 | 论文标题和论文解读（中文） | 代码 |
|---|---|---|---|---|
| 20-10-06 | TST | KDD 2021 | 基于Transformer的多变量时间序列表示学习框架 | mvts_transformer |
| 21-09-29 | CoST | ICLR 2022 | CoST: 用于时间序列预测的解耦季节-趋势表示的对比学习 | CoST |
| 22-05-16 | LaST | NIPS 2022 | LaST: 学习潜在季节-趋势表示以进行时间序列预测 | LaST |
| 22-06-18 | STEP | KDD 2022 | 增强预训练的时空图神经网络用于多变量时间序列预测 | STEP |
| 23-02-02 | SimMTM | NIPS 2023 | SimMTM: 一个简单的遮蔽时间序列建模预训练框架 | SimMTM |
| 23-02-07 | DBPM | ICLR 2024 | 增强时间序列对比学习：动态坏对挖掘方法 | None |
| 23-03-01 | TimeMAE | Arxiv 2023 | TimeMAE: 使用解耦遮蔽自编码器的时间序列自监督表示 | TimeMAE |
| 23-08-02 | Floss | Arxiv 2023 | 使用Floss增强周期性时间序列表示学习：一种频域正则化方法 | floss |
| 23-10-14 | TimesFM | ICML 2024 | 一个解码器仅模型用于时间序列预测的基础模型 | None |
| 23-12-01 | STD_MAE | Arxiv 2023 | 用于交通预测的时空解耦遮蔽预训练 | STD_MAE |
| 23-12-25 | TimesURL | AAAI 2024 | TimesURL: 时间序列自监督对比学习的通用表示学习 | None |
| 24-01-08 | TTMs | Arxiv 2024 | Tiny Time Mixers (TTMs): 用于多变量时间序列增强零/小样本预测的快速预训练模型 | TTMs |
| 24-01-16 | SoftCLT | ICLR 2024 | 用于时间序列的软对比学习 | None |
| 24-01-16 | PITS | ICLR 2024 | 学习独立嵌入时间序列块 | PITS |
| 24-01-16 | T-Rep | ICLR 2024 | T-Rep: 使用时间嵌入进行时间序列表示学习 | None |
| 24-01-16 | AutoTCL | ICLR 2024 | 时间序列对比学习的参数化增强 | None |
| 24-01-16 | AutoCon | ICLR 2024 | 自监督对比预测 | AutoCon |
| 24-01-29 | MLEM | Arxiv 2024 | 事件序列的自监督学习：生成建模与对比学习的比较研究及混合方法 | MLEM |
| 24-02-04 | Timer | ICML 2024 | Timer: 生成预训练变压器是大型时间序列模型 | Timer |
| 24-02-04 | TimeSiam | ICML 2024 | TimeSiam: 一个用于时间序列模型的预训练框架 | None |
| 24-02-04 | Moirai | ICML 2024 | 通用时间序列预测变压器的统一训练 | Moirai |
| 24-02-06 | MOMENT | ICML 2024 | MOMENT: 一个开放的时间序列基础模型家族 | MOMENT |
| 24-02-14 | GTT | Arxiv 2024 | 只有曲线形状重要：通过下一曲线形状预测训练基础模型以进行零样本多变量时间序列预测 | GTT |
| 24-02-19 | UniST | KDD 2024 | UniST: 一个用于城市时空预测的提示增强通用模型 | UniST |
| 24-02-26 | TOTEM | Arxiv 2024 | TOTEM: 用于一般时间序列分析的标记时间序列嵌入 | TOTEM |
| 24-02-26 | GPHT | Arxiv 2024 | 用于时间序列预测的生成预训练分层变压器 | None |
| 24-02-29 | UniTS | Arxiv 2024 | UniTS: 构建一个统一的时间序列模型 | UniTS |
| 24-03-31 | SimTS | ICASSP 2024 | 重新思考时间序列预测的对比表示学习 | simTS |
| 24-05-17 | UniCL | Arxiv 2024 | UniCL: 一个用于大型时间序列模型的通用对比学习框架 | UniTS |
| 24-05-24 | NuwaTS | Arxiv 2024 | NuwaTS: 一个修复每个不完整时间序列的基础模型 | NuwaTS |
| 24-05-24 | ROSE | Arxiv 2024 | ROSE: 用于分解频率学习的辅助寄存器的一般时间序列预测 | None |
| 24-05-28 | TSRM | Arxiv 2024 | 时间序列表示模型 | TSRM |
| 24-05-30 | S3 | Arxiv 2024 | 分段、打乱和拼接：一种改进时间序列表示的简单机制 | S3 |
| 24-07-10 | ViTime | Arxiv 2024 | ViTime: 基于视觉智能的时间序列预测基础模型 | ViTime |
| 24-07-10 | Toto | Arxiv 2024 | Toto: 观察优化的时间序列变压器 | None |
领域适应.
| 日期 | 方法 | 会议 | 论文标题和论文解读（中文） | 代码 |
|---|---|---|---|---|
| 21-02-13 | DAF | ICML 2022 | 通过注意力共享进行时间序列预测的领域适应 | DAF |
| 21-06-13 | FOIL | ICML 2024 | 使用不变学习进行时间序列预测的外分布泛化 |
## 在线。
| 日期 | 方法 | 类型 | 会议 | 论文标题和论文解读（中文） | 代码 |
|---|---|---|---|---|---|
| 22-02-23 | FSNet | | ICLR 2023 | 用于在线时间序列预测的快速与慢速学习 | FSNet |
| 23-09-22 | OneNet | | NIPS 2023 | OneNet: 通过在线集成增强概念漂移下的时间序列预测模型 | OneNet |
| 23-09-25 | MemDA | | CIKM 2023 | MemDA: 基于记忆漂移适应的城市时间序列预测 | 无 |
| 24-01-08 | ADCSD | | Arxiv 2024 | 空间-时间交通流预测的在线测试时适应 | ADCSD |
| 24-02-03 | TSF-HD | | Arxiv 2024 | 边缘设备上在线时间序列预测的新型超维计算框架 | TSF-HD |
| 24-02-20 | SKI-CL | | Arxiv 2024 | 结构知识引导的连续多变量时间序列预测 | 无 |
| 24-03-22 | D3A | | Arxiv 2024 | 在线时间序列预测中的概念漂移处理：检测后适应 | 无 |
理论。
| 日期 | 方法 | 会议 | 论文标题和论文解读（中文） | 代码 |
|---|---|---|---|---|
| 22-10-25 | WaveBound | NIPS 2022 | WaveBound: 稳定时间序列预测的动态误差界限 | WaveBound |
| 23-05-25 | Ensembling | ICML 2023 | 学习集成策略的理论保证及其在时间序列预测中的应用 | 无 |
其他。
| 日期 | 方法 | 会议 | 论文标题和论文解读（中文） | 代码 |
|---|---|---|---|---|
| 16-12-05 | TRMF | NIPS 2016 | 高维时间序列预测的时间正则化矩阵分解 | TRMF |
| 23-05-23 | DF2M | ICML 2024 | 深度函数因子模型：通过贝叶斯非参数分解进行高维函数时间序列预测 | 无 |
| 24-01-16 | STanHop-Net | ICLR 2024 | STanHop: 用于记忆增强时间序列预测的稀疏串联霍普菲尔德模型 | 无 |
| 24-02-02 | SNN | ICML 2024 | 使用尖峰神经网络进行高效有效的时间序列预测 | 无 |
| 24-03-12 | BayesNF | Arxiv 2024 | 用贝叶斯神经场进行可扩展的时空预测 | BayesNF |
| 24-05-16 | LaT-PFN | Arxiv 2024 | LaT-PFN: 一个用于上下文时间序列预测的联合嵌入预测架构 | 无 |
| 24-05-24 | ScalingLaw | Arxiv 2024 | 时间序列预测的规模法则 | ScalingLaw |
| 24-06-04 | CondTSF | Arxiv 2024 | CondTSF：时间序列预测的“一行插件”数据集凝聚 | 无 |
| 24-06-14 | MTL | Arxiv 2024 | 通过随机矩阵理论分析多任务回归及其在时间序列预测中的应用 | 无 |
星历史
