时间序列

上海交大、东北大学：时序分类与感知领域的两项前沿突破本文总结了两篇关于时间序列分类与感知的前沿论文，分别应对了模态异构与标签噪声带来的现实挑战。第一篇针对物理惯导（IMU）与文本对齐不精准的问题提出了Vistar框架，创新性地使用视频作为中间桥梁，结合离线跨模态对比学习与在线检索增强生成（RAG），赋能大语言模型对复杂传感器信号的理解与感知。第二篇针对时序学习的标签噪声难题提出DREAM，摒弃传统过滤法，从邻域和模型双重数据中心视角分离干净与噪声样本，通过循环特征插值（MixUp）充分利用噪声数据，显著提升了泛化与抗噪鲁棒性。

ICLR 2026两篇时间序列论文新思路：都用Patch作为建模基础单元在时间序列（Time Series）分析领域，近期研究逐渐聚焦于以时间片段（Patch）为基础单元的细粒度建模，以克服大型模型计算成本高、局部动态捕捉不足的挑战。

做不规则多变量时序预测，试试ReIMTS递归多尺度框架，我实验涨点明显！不规则多变量时间序列的预测任务在医疗、气象等领域至关重要，但其面临着采样间隔不均和数据缺失两大挑战。传统方法难以在稀疏数据中捕捉可靠模式，而现有的大型预训练模型多为规则采样数据设计。

【ICLR 2026】MixLinear：基于0.1 K参数的极低资源多变量时间序列预测MixLinear是ICLR 2026提出的面向极低资源场景的多元长时序预测（LTSF）模型，仅含0.1K参数，创新采用时域分段趋势提取+频域自适应低秩谱滤波双路径架构，将时序建模复杂度从O(n²)降至O(n)；在8个标准基准数据集上，实现与Transformer/线性SOTA模型相当的预测精度，达成最高16.2% MSE优化、3.2倍推理加速、81%参数量缩减，可高效部署于嵌入式、边缘传感器等算力受限设备。

通俗易懂理解回归和时间序列的区别我要预测新能源汽车的销量，那么我该用什么类型算法？有的人可能会觉得新能源汽车销量可能与政策补贴、锂电池价格、发电量、汽油价格等等因素有关，因此直接构建一个回归模型。有的人可能会觉得新能源汽车销量影响因素很复杂，甚至与很多特征都没有太大关系，而是一个销量的历史趋势，因此直接构建一个时间序列模型。

基于网格搜索与分段回归的时间序列变化点检测方法传统统计方法在时间序列分析中既简洁又有力，但面对大规模时间序列集合时，扩展性往往不尽如人意。现实中的趋势变化往往微弱、带有噪声、数量也不止一个，靠肉眼判断既不可靠也不现实。一旦需要处理数十乃至数百条时间序列，人工识别就更不可行了。

使用DNN\LSTM\CNN进行时间序列预测本节我们将在上节构建的数据窗口的基础上，尝试使用基本的深度神经网络算法进行测试，预测未来24h的家庭用电量。整个过程包括： 1.数据准备 1）查看数据，计算缺失值数量 2）估算缺失值 3）数值类型转换 4）构建DataTime对象 5）按小时数据重采样 6）去掉不完整的小时数 2.特征工程 1）识别季节性 2）时间编码 3）缩放数据 3.划分数据按7：2：1划分数据集 4.为深度学习建模做准备 1）实现DataWindow类 2）定义compile_and_fit函数 3）创建列索引和列名字典 5.深度

时间序列分析实战：从平稳性检验到Prophet与LSTM预测目录摘要1 引言：时间序列分析的商业价值与挑战1.1 时间序列分析的技术演进1.2 时间序列分析架构总览

懒羊羊吃辣条

电力负荷预测怎么做才不翻车做电力负荷预测的时候，经常会陷入一种很努力但不踏实的状态：模型写了好几版、特征也堆了不少，指标看着也不错，但心里总会犯嘀咕——这个提升到底是模型真强，还是评估或者baseline给了错觉？

使用 tsfresh 和 AutoML 进行时间序列特征工程时间序列无处不在，心电图上的心跳、股票价格、家庭智能电表读数，甚至句子中词语——这些都是时间序列。它们的特殊之处在于顺序：过去影响未来，相邻的数据点往往高度相关。

【时间序列与深度学习】（一）经济计量基础ARIMA模型目录一、ARIMA是什么？二、ARIMA的三个核心组成部分三、什么是平稳时间序列？四、为什么差分方法能够得到平稳时间序列？

All The Way North-

RNN基本介绍循环神经网络（RNN）入门介绍循环神经网络（Recurrent Neural Network，简称 RNN）是一类专门用于处理序列数据的神经网络。与传统的前馈神经网络（Feedforward Neural Network）不同，RNN 具有“记忆”能力，可以利用之前的信息来影响当前的输出。

使用TimeGPT进行时间序列预测案例解析摘要：原文探讨了TimeGPT，一个为时间序列预测而设计的生成式预训练Transformer模型。文章详细介绍了其零样本推理、微调能力、API访问、外生变量支持、多序列预测等功能，并提供了使用Python进行数据准备、预测、趋势分类和不确定性量化的代码示例。

Python 数据可视化：从单变量到多变量Python凭借其强大的可视化库（如Matplotlib、Seaborn）成为进行EDA的首选工具。本文基于一份实用的“Python数据可视化速查表”，系统介绍从单变量到多变量、从时间序列到文本数据的可视化方法，并提供代码示例与扩展解读，助你高效完成数据探索。

甄心爱学习

EventTSF的训练与预测逻辑从公式和数据流的角度来剖析《EventTSF: Event-Aware Non-Stationary Time Series Forecasting》的训练和预测逻辑。

机器学习时间特征处理：循环编码（Cyclical Encoding）与其在预测模型中的应用做过电力负荷预测或者交通预测朋友，大概率都处理过时间特征。这里最直接的做法通常是把时间（比如分钟或小时）直接扔进模型里。这看起来逻辑自洽，但存在这一个大坑，就是“午夜悖论”。

Java后端的Ai之路

【分析式AI】-时间序列模型一文详解专业术语解释：时间序列是按照时间顺序排列的一系列数据点，通常是在连续等间隔的时间点上收集的数据。它建立了观察结果与时间变化的关系，可用于预测未来的趋势和模式。

xLSTM-Mixer：基于记忆混合的多变量时间序列预测论文标题：xLSTM-Mixer: Multivariate Time Series Forecasting by Mixing via Scalar Memories

【时序异常检测综述】十年回顾：深入研究时间序列异常检测图1所示。不同时间序列应用和异常类型的示例。请各位同学给我点赞，激励我创作更好、更多、更优质的内容！^_^

AAAI25|基于神经共形控制的时间序列预测模型论文标题：Neural Conformal Control for Time Series Forecasting