这篇文章给大家介绍一下ICLR2024中，用对比学习强化时间序列预测的一篇工作，这篇文章是韩国KAIST发表的工作，通过在时间序列预测中引入对比学习，实现对Encoder建模窗口以外全周期时间序列信息的应用，论文标题，SELF，SUPERVISEDCONTRASTIVEFORECASTING下载地址...

  Transformer在时间序列中已经应用比较广泛，但是最近一些针对Transformer的研究工作指出，Transformer的self，attention机制在建模序列数据时，比较倾向于学习低频的信息，而忽略了高频信息，造成频率偏差问题，影响了预测效果，在时间序列预测中，这个问题也存在，为了解决...

  大语言模型的成功充分证明了Transformer架构的先进性，越来越多的人希望把它应用到其它领域，而非NLP领域本身，因而也催生了以一套Transformer架构统一各种模态的研究热点，而在工业界有一个非常常见的场景却鲜有涉及，那就是结构化数据的时序预测类场景，通常认为这种方式利用统计和经典回归类模...

  今天给大家介绍一篇清华大学发表于NIPS2024中的大模型时间序列预测工作AutoTimes，使用大模型进行自回归形式的时间序列预测，并结合In，ContextLearning提升预测效果，论文标题，AutoTimes，AutoregressiveTimeSeriesForecastersviaLa...

  今天给大家介绍一篇CIKM2024中的时间序列预测工作，这篇文章针对高维多变量时序预测问题，提出了一种基于Transformer的建模方法，论文标题，ScalableTransformerforHighDimensionalMultivariateTimeSeriesForecasting下载地址，...

  频率是时间序列的一个重要信息，给定一个时间序列，可以通过按照不同频率的聚合，获得不同粒度的时间序列，比如，给定的原始时间序列是以小时为粒度的，那么通过将24个点加和成1个点，就可以形成以天为粒度的时间序列数据，不同的粒度，包含的信息也不同，粒度越细，越能体现时间序列的局部特征，同时噪声也更大；粒度越...

  长周期时序预测核心问题长周期时间序列预测，指的是预测窗口较长一类时间序列预测问题，一般来说，预测长度在50个点以上，就可以认为是长周期时间序列预测问题，同时，预测长度的增加，会使得模型需要引入更长的历史序列，才能实现更好的预测，相比短周期时序预测，长周期时序预测主要面临的挑战有以下几个方面，长周期历...

  这篇文章给大家介绍一下北邮在NeurIPS2024中发表的一篇时间序列预测工作，重点研究了如果有效利用时间戳特征提升时序预测效果，相关方法可以嵌入到现有的各类SOTA时序预测模型中，论文标题，RethinkingthePowerofTimestampsforRobustTimeSeriesForec...