时间序列

【AAAI-26：时序概念漂移】DeepBooTS：用于时序漂移的双流残差增强DeepBooTS 是针对时间序列预测中概念漂移问题提出的双流残差递减提升模型，通过偏差-方差分解理论证明集成学习可在不增加偏差的前提下降低预测方差，核心创新包括输入与标签双流分解、逐层残差校正及门控系数自适应调节，在多元、单变量及大规模数据集上均超越18种SOTA方法，实现 15.8% 的平均性能提升，同时兼具高通用性、可解释性及深度扩展能力（支持16层深度而无过拟合）。

【事件检测】用于事件预测的文本增强多粒度时态图学习请各位同学给我点赞，激励我创作更好、更多、更优质的内容！^_^关注微信公众号，获取更多资讯MTG是端到端的文本增强时序图学习模型，通过三个核心模块捕捉多粒度历史信息，结合文本特征提升预测性能，整体架构如图2所示。

ChatTime：连接数值与文本数据的统一多模态时间序列基础模型人类专家通常会整合数值和文本多模态信息来分析时间序列。然而，大多数传统的深度学习预测模型仅依赖单模态的数值数据，在单个数据集上使用固定长度的窗口进行训练和预测，无法适应不同的场景。性能强大的预训练大型语言模型为时间序列分析带来了新的机遇。但现有的方法要么训练效率低下，要么无法处理文本信息，要么缺乏零样本预测能力。在本文中，我们创新性地将时间序列建模为一种“外语”，并构建了ChatTime——一个用于时间序列和文本处理的统一框架。作为一款即开即用的多模态时间序列基础模型，ChatTime具备零样本预测能力，

IJCAI25｜如何平衡文本与时序信息的融合适配？论文标题：MedualTime: A Dual-Adapter Language Model for Medical Time Series-Text Multimodal Learning

彼岸花苏陌

PatchTST代码阅读分别从两部分进行讲解 1.patch部分 2.Encoder部分 3.预测部分（Flatten部分）主要是class PatchTST_backbone 和TSTiEncoder（分patch主要核心）

KDD25｜BLAST：面向通用预测的平衡采样时序语料库现有的通用时间序列预测模型虽然通过大规模预训练实现了跨领域的零样本预测能力，但训练数据的多样性问题尚未得到充分研究。数据集往往存在固有偏差和不平衡分布，仅三个数据集就占总数据量的88.2%，这种偏斜分布会导致原始数据中出现大量重复模式，损害整体数据多样性。现有采样策略（如朴素采样和分层采样）也无法充分纠正大规模时间序列数据中的固有偏差。

时间序列的“语言”：从语言模型视角理解时序基础模型论文标题：THE LANGUAGE OF TIME : A LANGUAGE MODEL PER-SPECTIVE ON TIME SERIES FOUNDATION MODELS

时序论文速递：覆盖损失函数优化、模型架构创新、理论基础与表征学习、应用场景与隐私保护等方向（11.10-11.14）本周精选9篇时间序列领域前沿论文，覆盖损失函数优化、模型架构创新、理论基础与表征学习、应用场景与隐私保护等方向。

时序大模型

KDD2025 |DUET：时间 - 通道双聚类框架，多变量时序预测的 “全能选手”出现！本篇论文来自KDD2025，最新前沿时序技术，针对多变量时间序列预测的实际应用，提出了DUET 框架，首次在时间与通道维度同时引入聚类，分别解决 TDS 异质性与通道关联复杂性，突破传统单维度优化的局限。

时序论文速递：覆盖时间序列预测、分类、异常检测及交叉应用！（10.20-10.24）本周精选10篇时间序列领域前沿论文，覆盖时间序列预测、分类、异常检测及交叉应用四个核心方向。源码和论文感兴趣的自取。原文资料这里

水文气象领域的时间序列分析：从Pytorch/R入门到Transformer/Mamba精通时间序列是水文、气象等领域中最为常见的数据类型，对时间序列数据的预测、分类以及异常值检测等也是这些领域最常见的任务；但是，时间序列分析技术从二十世纪二十年代兴起，一百年以来已经变的非常繁杂。以实践序列分析为主线，系统讲述了传统的时间序列分析技术、机器学习以及深度学习等模型。通过本学习不但可以掌握时间序列的分析方法，也可以对现代人工智能模型有更好的了解。此外，所有内容都基于大语言模型辅助，不再另外说明。

天一生水water

AI+量化的数据类型有哪些好的，这是一个非常核心的问题。在“AI+量化”领域，数据是模型的基石和燃料。数据的质量、类型和处理方式直接决定了AI模型的有效性和最终策略的盈利能力。

天一生水water

什么是时间序列互相关分析（CCF）要理解时间序列互相关分析（Cross-Correlation Analysis, CCF），需先明确其与“自相关”的核心区别：自相关（ACF/PACF）分析单个时间序列内部的关联（如今天的温度与昨天的温度），而互相关分析两个不同时间序列之间的线性关联（如今天的温度与今天的用电量），尤其关注“滞后关系”（如今天的广告投入与下周的销售额）。

Phoenixtree_DongZhao

ICLM 2025 Time Series 时间序列论文汇总（论文链接）FSTLLM: Spatio-Temporal LLM for Few Shot Time Series Forecasting

ACL 2025 Time-LlaMA 大语言模型高效适配时间序列预测将大语言模型用于时间序列分析在近年来备受关注，但其仍然面临几个关键挑战没有被很好解决：模态（modality）对齐问题：时间序列数据与语言文本是不同模态的。如何有效地把时间序列输入与自然语言提示（prompt）结合起来，让 LLM 能理解时间序列的语义或结构，而不仅仅是把时间序列当成一串数字强行塞进去？现有方法常用跨 attention 或 prompt 或 reprogramming module／tokenization，但仍未达到既高效高质量对齐的状态。

覆盖Transformer、GAN：掩码重建正在重塑时间序列领域！随着大数据与深度学习的发展，时间序列分析的建模能力显著提升，而掩码重建作为一种自监督学习范式，已成为提升序列表征能力的重要技术。该方法通过随机掩码部分数据并重建原始序列，迫使模型挖掘时序依赖性与潜在模式，在减少标注依赖的同时增强鲁棒性。近年来，相关研究聚焦于如何结合掩码策略优化特征提取、解决噪声与缺失值问题，并探索与非平稳性、多变量交互等复杂场景的适配性。

时空数据挖掘五大革新方向详解篇！在数字化浪潮席卷全球的今天，时空数据正以前所未有的规模爆发，涵盖交通出行、城市规划、环境监测等核心领域。然而，传统挖掘方法在处理动态演化的时空特征时，面临维度灾难、数据稀疏与模型泛化性差等难题。随着人工智能技术迭代，时空数据挖掘亟需突破传统范式，从基础模型构建到前沿技术融合，形成系统性解决方案。

【AAAI2025】时间序列|Affirm:交互式Mamba，长时序预测天花板？论文地址：https://ojs.aaai.org/index.php/AAAI/article/view/35463/37618 代码地址：https://github.com/zjuml/Affirm

提升长序列建模效率：Mamba+交叉注意力架构完整指南本文将深入分析Mamba架构中交叉注意力机制的集成方法与技术实现。Mamba作为一种基于选择性状态空间模型的新型序列建模架构，在长序列处理方面展现出显著的计算效率优势。通过引入交叉注意力机制，Mamba能够有效处理多模态信息融合和条件生成任务。本文从理论基础、技术实现、性能分析和应用场景等维度，全面阐述了这一混合架构的技术特点和发展前景。

2025时间序列都有哪些创新点可做——总结篇作为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。