suzukiwudi的博客

本文介绍了一种全新的深度模型架构TimeMixer++，在8个时间序列分析任务中全面超越了Transformer等模型，成功实现了通用的时间序列建模与应用。TimeMixer++的创新之处在于将时间序列转化为图像，并在时域与频域、多尺度、多分辨率下进行特征提取，从而提升了模型的表现。TimeMixer++的成功不仅为时序分析领域带来了新的思路，也展示了一种全新的时序理解视角。未来，随着更多优化技术和应用场景的引入，相信TimeMixer++将进一步推动时序预测技术的发展，为各行业带来更大的价值。

Time-MoE的成功标志着时序预测领域迈入了一个全新时代。它不仅在性能上全面超越了现有模型，更为构建大规模、高效、通用的时序预测基础模型奠定了一个可行的范式。Time-MoE的发布不仅为学术界开辟了全新的研究方向，也为工业界的多种时序应用场景注入了巨大的潜力。在能源管理、金融预测、电商销量、气象预报等众多关键领域，Time-MoE将成为企业和研究机构的强大工具。仅为学术界开辟了全新的研究方向，也为工业界的多种时序应用场景注入了巨大的潜力。

TimeMixer模型针对时间序列预测的复杂性提出了一个多尺度混合架构，旨在利用过去可分解混合（PDM）模块提取过去的关键信息，并通过未来多预测器混合（FMM）模块进行未来序列的预测。具体来说，TimeMixer首先通过平均下采样生成多尺度观测，然后PDM采用可分解设计更好地处理季节性和趋势变化的不同属性，通过在精细到粗略和粗略到精细方向上分别混合多尺度季节性和趋势组件。FMM在预测阶段集成多个预测器，利用多尺度观测中的互补预测能力。

本文从异质性（heterogeneity）、邻近性（proximity）、周期性（periodicity）和动态性（dynamicty）四个方面对路网中的路径行程时间估计问题进行了研究，旨在通过捕获和利用时空特征来提高其准确性。

行程时间估计是智能交通系统的重要组成部分，影响着导航、叫车和路线规划等各种应用。传统的行程时间估计方法依赖于主观判断、有限的数据源和简单的建模技术。由于数据挖掘和机器学习的最新进展，许多数据驱动的方法被用来解决传统方案中出现的问题，并表现出卓越的性能。在本文中，我们对数据驱动的出行时间估计方法进行了全面的调查，包括应用场景、时空建模方法和数据表示学习技术。为了支持和促进该领域的进一步研究，本文提供了有价值的开放数据源和源代码列表，为研究人员未来的努力奠定了坚实的基础。

途中行程时间估计（ER-TTE）旨在预测剩余路线的行程时间。由于行程的已行驶部分和剩余部分通常具有一些共同特征，例如行驶速度，因此需要探索这些特征以通过有效的适应来提高性能。由于行进的部分轨迹中的采样点很少，这仍然面临着数据稀疏的严重问题。由于具有不同上下文信息的轨迹往往具有不同的特征，现有的 ER-TTE 元学习方法不能很好地拟合每个轨迹，因为它对所有轨迹使用相同的模型。为此，本文提出了一种新的自适应元学习模型，称为 MetaER-TTE。