m0_46295679的博客

撰写论文是一个既严谨又充满挑战的过程。对于许多研究人员来说，除了确保论文内容的深度和创新性之外，如何将复杂的数据和理论以图表的形式清晰、美观地呈现出来，也是一个令人头疼的问题。

近些年来，时序预测方向研究爆火，这里我们分享综述论文Deep Time Series Models: A Comprehensive Survey and Benchmark，该论文非常完善的总结了近些年的热点时序论文，并且针对时序预测研究方向各个点进行了提炼和汇总。如果初看这篇论文，可能晦涩难懂，这里我尽量采用最为朴素的方法进行描述。

发表在 ICML 2024 (CCF A)的文章。该文章介绍了一个及其轻量级的模型Sparse，用于长期时间序列预测。SparseTSF的核心技术是跨周期稀疏预测技术，通过解耦时间序列的周期性和趋势来简化预测任务。首先对原始序列进行降采样，专注跨周期的趋势预测，提取周期特征。

发表在 NeurIPS 2023 (CCF A) 的论文。时间序列数据本身是一个动态系统，根据Koopman理论，动态的变化可以由线性转移算子$\mathcal{K}$表示，不同时期的$\mathcal{K}$不同。转移过程公式：$\mathcal{K}\circ g(x_t)=g(\mathbf{F}(x_t))=g(x_{t+1})$。复杂的非平稳时序数据由时变和时不变成分，该文章的核心内容是将原始数据分解为时变和时不变两部分，然后分别使用koopman理论进行处理。