作为AI和数据科学的核心方向之一，时间序列在2025年依然保持着强劲的发展势头，稳站各大顶会顶刊投稿主题前列。
关于它的研究，目前在结合传统统计方法和深度学习的基础上，已延伸至频域等数理工具与神经网络的交叉创新。同时针对垂直领域痛点的算法优化也成为重点突破方向。
本文汇总了2025年时间序列一些可做的创新点，来自50篇前沿论文（包含顶会顶刊+代码），分为算法融合、模型架构、算法优化、训练技巧、数据增强5个大方向，涵盖上述频域+时序、小波变换+时序等热门组合。
全部论文+开源代码需要的同学看文末
MedGNN:Towards Multi-resolution Spatiotemporal Graph Learning for Medical Time Series Classification
**方法：**论文提出了一种名为MedGNN的框架，用于医学时间序列分类。它通过多分辨率图结构建模时空信息，并结合频域卷积网络和差分注意力网络，从频域和时域两个角度捕捉特征，提升分类性能。
创新点：
-
提出多分辨率自适应图结构，动态建模不同尺度下的时空依赖关系，捕捉医学时间序列的复杂动态特性。
-
引入差分注意力网络，通过差分操作聚焦时间序列的关键变化，有效缓解基线漂移问题，突出重要模式。
-
设计频域卷积网络，从频域视角提取互补信息，增强时间序列的多视角特征表示，提升分类性能。
Heterogeneous Federated Learning System for Sparse Healthcare Time-Series Prediction
**方法：**论文提出了一种异构联邦学习（HFL）系统，用于医疗领域稀疏时间序列预测。该方法通过迁移学习技术，将不同特征空间的知识迁移到目标领域，并利用时间序列处理方法提取稀疏数据中的时间信息，从而在保护隐私和数据安全的前提下，提高预测的准确性。
创新点：
-
提出了一种异构联邦学习系统，能够在不同特征空间之间进行知识迁移。
-
设计了密集和稀疏特征张量，有效提取时间序列信息，提高了预测精度。
-
引入了异构领域选择和切换机制，允许在不同时间步长中异步共享知识，提升效率并保护隐私。
Kolmogorov-Arnold Networks for Time Series Granger Causality Inference
**方法：**论文提出了一种基于KAN网络的新型时间序列因果推断模型KANGCI，通过稀疏惩罚和正则化从时间序列中高效推断格兰杰因果关系，并利用时间反转技术优化结果。
创新点：
-
提出了一种基于KAN的新型时间序列因果推断模型KANGCI。
-
引入时间反转技术，自动选择性能更好的结果或融合两者以减少虚假连接。
-
在多种数据集上验证了KANGCI模型的有效性，结果表明该模型在因果推断性能上优于现有基线方法。
Refreshing idea on Fourier analysis
**方法：**论文提出了一种新的傅里叶分析方法，通过改进时间序列的处理方式，突破了传统方法的时间频率分辨率限制，不仅能够处理少于一个周期的时间序列，还能有效分离信号和噪声，实现了高分辨率的信号分析。
创新点：
-
提出用"线性外推条件"替代传统的"周期边界条件"，以突破时间频率分辨率的限制。
-
采用一般复函数的模式分解方法，对有限时间序列进行局部线性化处理，实现高分辨率分析。
-
展示了该方法能够处理少于一个周期的时间序列，并有效分离信号和噪声。
关注下方《学姐带你玩AI》🚀🚀🚀
回复"222"获取全部方案+开源代码
码字不易，欢迎大家点赞评论收藏