时间序列领域最近几年的变化非常大，因为尽管传统的时序模型已经可以解决很多问题，但深度学习的加入给我们带来了全新的发展视角，出现了很多新的时间序列研究方向，比如Mamba+时间序列、扩散模型+时间序列...目前，时间序列依然备受关注，在CVPR、ICLR、AAAI等顶会上都是发文的热门主题。
这篇文章就给大家汇总一下最近比较热门的时间序列研究创新点，目前共整理了
6个方向，
57篇
。
扫码添加小享，
回复“
57时序
”
免费获取
全部论文+开源代码
时间序列基础模型
ICLR 2025 UTSD: UNIFIED TIME SERIES DIFFUSION MODEL
方法：
论文通过提出统一时间序列扩散模型（UTSD）来解决跨领域时间序列建模的挑战，该模型利用扩散模型的概率分布建模能力，以条件采样生成目标领域的预测序列，显著提高了多领域数据的生成稳定性和准确性，并在各大基准测试中表现出色的零样本泛化能力。
创新点：
-
提出了创新的条件去噪架构，结合条件网络和去噪网络，捕捉多尺度波动模式，指导序列的生成。
-
建立了统一的时间序列扩散模型，通过建模多域概率分布，实现目标域的直接预测生成。
ICLR 2025
In-Context Fine-Tuning for Time-Series Foundation Models
方法：
本文研究了一种时间序列基础模型的上下文微调方法，基于NLP大型语言模型的上下文学习能力，采用无监督预训练和上下文微调相结合的方法，显著提升了零样本预测的准确性，超越了传统的深度学习和统计模型，并在无梯度更新的情况下达到接近显式微调模型的性能。
创新点：
-
提出了一种新的上下文内微调方法，用于时间序列基础模型的预测。
-
采用了一种无位置编码（NoPE）策略来预训练时间序列基础模型。
-
在模型架构中，作者引入了跨示例的注意力机制，通过可学习的分隔符令牌来区分不同的上下文示例。
扫码添加小享，
回复“
57时序
