跳到主要内容
检索

# 时间序列预测

15 篇关联报道

订阅更新
  1. researchsquare.com

    检索历史片段不再比对原始数值:先滤掉高频噪声、画成折线图,长程预测误差随之下降

    VRATF把检索增强预测的比对对象从原始时间序列换成去噪后的趋势折线图:先用FFT低通滤波提取低频趋势,渲染成224×224图像,再由冻结的CLIP ViT-B/32编码建库,按余弦相似度取Top-K并用高斯核加权聚合历史未来轨迹。检索预测与DLinear基预测经一个可学习标量在预测层融合。六个多变量基准上,VRATF在其中四个取得最低平均MSE,ETTh2平均MSE为0.340,较次优的RAFT(0.358)改善5.0%。

  2. aclanthology.org

    聚变打靶一次上百万美元:扩散语言模型把中子峰时刻误差从11.6步压到9.2步

    惯性约束聚变每次打靶成本约百万美元,因此用AI代理模型预测中子产率波形很有价值。ICF-DLM把512步中子产率波形拆成总产额、峰时刻和峰附近局部波形三个物理量,用双向去噪的扩散语言模型联合生成,并以物理奖励做强化学习。在ICFBench的50发实验留出测试集上,其峰时刻误差为9.2步,同一套微调与强化学习流程下的自回归LLaMA-3-8B为11.6步。

  3. researchsquare.com

    浮标波高数据不再只靠固定阈值:单侧时序模型把质量控制分成三级,跨站迁移平均二值F1达0.856

    巴西沿海浮标网络的有效波高观测现在可以由一个在线时序模型逐小时给出GOOD、SUSPECT、BAD三级质量标记,而不再只依赖按物理限值和变化率设定的固定阈值。该模型只用当前值及其之前168小时的历史做单侧判断,在六座浮标合并的受控故障测试集上二值F1为0.853,留一浮标迁移到未见站点的平均二值F1为0.856。在逐小时流式模拟中,突变、乘性异常和哨兵码在发生当小时即被检出,漂移与传感器卡死则要等证据累积后才被识别。

  4. Discover Environment

    24小时气温预报把湿度、风速、气压的耦合提前:六城平均误差降6.2%,重庆高温降超9%

    近地面气温的24小时预报要同时抓住日循环、天气系统演变和小时级扰动,而常用分解式Transformer把跨变量交互放到后期或隐式处理。跨通道时间相关Transformer在嵌入阶段用1×1卷积交换气象变量信息,再以多尺度趋势注意力和门控注意力融合时间、趋势、原始三支特征。在澳门、广州、福州、成都、重庆、长沙六城数据上,其MSE较主流模型平均降低6.2%、MAE降低7.5%,重庆极端高温下MSE降幅超过9%。

  5. arXiv

    冻结的时序基础模型不再直接上线:让编码智能体改部署管线,198个任务六项指标居首

    时序基础模型零样本预测强,但落地仍要人手工设计输入输出管线。TimeRSI让编码智能体围绕权重冻结的预测模型反复改写预处理、特征、上下文选择与后处理代码,用历史预测窗口的误差指导下一轮修改,部署时再按相似历史条件在候选管线间选择。在TIME与FEV-bench共198个任务上,它在六项点预测与概率预测指标上优于全部已公开提交;相对同一冻结TimesFM 3.0的直接推理,TIME的MASE降1.52%、CRPS降1.61%。

  6. arXiv

    日历特征怎么编码不再是细节:同一模型换编码,节假日误差差出83%

    时间序列基础模型已普遍支持协变量,但日历信息如何编码一直被视为实现细节。该研究在四个模型、九个受节假日和周末影响的数据集上零样本滚动评测七种日历编码,发现编码选择在所有模型上都改变预测精度:同一模型内,非节假日MASE差距最高9.9%,节假日最高83%,且哪种编码最好因模型而异。SHAP归因显示提升集中在节假日,因为那里的信号无法从目标历史推断。

  7. arXiv

    时间序列基础模型不必每层都跑:中等稀疏下A100延迟降11%到13%,但各数据集有差异

    两个预训练时间序列基础模型在推理时跳过整块Transformer,在1088个留出窗口上跨数据集平均预测质量变化很小,中等稀疏下A100单条延迟中位数分别降11.2%和13.4%。

  8. arXiv

    线性模型 DLinear 在整个初始态族上稳定预测 PXP 链可观测量,而非线性 Transformer 在接近 Néel 极限的疤痕区性能持续退化

    该工作把量子多体动力学表述为时间序列预测问题,在可用里德堡原子阵列实现的少比特 PXP 链上,用同一复合损失训练非线性 Transformer 与线性 DLinear,输入局部磁化与连通两点关联的历史窗口以预测其后续演化;Transformer 在更遍历的区域预测准确,但随初始态接近疤痕极限而持续退化,DLinear 则在从遍历到量子多体疤痕的整个初始态族上保持准确,其主要偏差只是对整体预测误差影响很小的小幅高频振荡。

  9. arXiv

    在缩放后目标上计算损失使时间序列基础模型预训练MASE在全部24项架构-基准对比中下降,GIFT-Eval平均降低18.8%

    该工作证明:仿射缩放(如ReVIN)在计算损失前反变换会把每个序列的梯度乘以缩放分母的幂,使高尺度序列主导训练(ScaleCon);改为在缩放后目标上直接计算同质残差损失(ScaleIn)后,每个小批量梯度与完整优化轨迹对序列的任意独立正缩放不变,并在四个TSFM架构预训练中于全部24项架构-基准对比降低MASE,GIFT-Eval平均降低18.8%、M竞赛平均降低21.9%。

  10. arXiv

    统一缩放律在留出的 Toto 2.0 上以 1.09% 与 1.50% 的 MAPE 预测容量曲线,并用激活干预证明冻结时序基础模型可跨查询复用历史规则

    该工作基于 21 个检查点、23 个数据集-频率任务、六个领域的 18,768 个实验单元,拟合出一个五参数统一缩放律,把容量、输入长度与预测步长联系起来,并在完全留出的 Toto 2.0 系列(约 4M–2.5B 参数)上以 1.09%(输入 2048)和 1.50%(输入 4096)的 MAPE 预测其按步长平均的容量缩放曲线;同时提出统一时序学习理论,用高斯回归与匹配历史比较、参数交换和激活干预,支持全样本模型在权重中累积规则信息、冻结时序基础模型通过激活提取并跨查询复用历史规则的解释。