suzukiwudi的博客

VLDB 2025时间序列研究综述：聚焦前沿技术与应用 本文总结了VLDB 2025会议中关于时间序列分析的22篇重要论文，涵盖预测、异常检测、数据库优化等多个研究方向。研究亮点包括：1）高效时序数据压缩方法；2）基于Transformer的预测模型改进；3）无模式时序数据库系统设计；4）自动化异常检测方案；5）多维时序模式挖掘技术。这些工作展现了时序分析领域在算法创新、系统优化和自动化处理方面的最新进展，为大规模时序数据处理提供了多样化的解决方案。

本文提出了一种名为Xihe（羲和）的可扩展零样本时间序列学习方法，通过层次化交错块注意力机制（HIBA）有效捕捉多尺度时间依赖性。HIBA采用分层块内和块间稀疏注意力，既能处理局部信息交换，又能捕获全局时间模式的动态演变。基于HIBA架构，作者构建了参数规模从950万到15亿的Xihe模型系列，在GIFT-Eval基准测试中展现出卓越的零样本性能。其中最小的Xihe-tiny模型仅用9.5M参数就超越了多数现有时间序列基础模型，而最大的Xihe-max模型（1.5B参数）刷新了零样本预测的最新记录。该方法通

本文总结了ICLR2026会议中时间序列领域的高分论文（均分≥6）。主要研究方向包括：扩散模型在因果时间序列生成中的应用（7.33分）、具有对称性的张量学习（7.0分）、含复杂隐变量的Hawkes过程因果结构学习（7.0分）、基础模型的基准测试（7.0分）等。这些论文涉及时间序列生成、预测、异常检测等多个子领域，采用了扩散模型、张量学习、自监督学习等前沿方法。特别值得注意的是，多篇论文探索了基础模型在时间序列任务中的应用效果。这些研究为时间序列分析提供了新的理论框架和方法工具。

NeurIPS 2025时间序列研究综述 NeurIPS 2025在圣地亚哥举行，共接收5,290篇论文（接收率24.52%）。本文聚焦时间序列领域的75篇论文。研究主题涵盖预测、异常检测、生成、表示学习及医疗时序等方向。

本文提出TimeTic框架，用于评估时间序列基础模型(TSFMs)的迁移性能。针对TSFM数量激增但公共数据有限的问题，该框架将模型选择转化为上下文学习任务，通过数据集元特征、模型特征和微调性能构建表格，利用表格基础模型预测目标数据集上的表现。TimeTic提出基于模型层熵演化的新型表示方法，能有效捕捉模型差异。实验表明，TimeTic在未见数据集上的预测性能与实际微调结果高度一致（平均秩相关系数约0.6），相比零样本性能提升30%，为TSFM迁移性评估提供了高效解决方案。

论文主要研究了预测精度随时间序列复杂度（time series complexity）的变化规律，并提出了“精度定律（Accuracy Law）”来描述这一现象。研究发现，随着预测时间序列复杂度的增加，模型的预测精度会呈现特定的衰减模式，这种模式在不同的深度预测模型中表现出一致性。论文通过大量实验验证了这一规律，并探讨了其背后的理论原因，包括模型的归纳偏置、时间依赖性以及噪声积累等因素。此外，作者还提出了基于精度定律的模型选择和优化策略，以提高模型在预测中的性能。

CIKM 2025时间序列研究综述：聚焦24篇时间序列分析论文 本文汇总了CIKM 2025会议中关于时空数据分析的24篇论文，包含16篇完整研究论文、6篇短论文和2篇应用研究论文。研究主题涵盖时间序列预测、分类、生成等多个方向，重点关注金融时间序列和大模型应用。其中，TANDEM提出基于注意力机制的神经微分方程方法处理缺失时间序列分类；Frequency-Conditioned Diffusion Models利用扩散模型生成高质量时间序列数据；TableTime创新性地将时间序列分类重构为大语言模型的表

本文研究大语言模型（LLM）在时间序列分析中的表现，提出TSAIA基准评估LLM在多步推理和复杂任务中的能力。基准涵盖预测、诊断、分析和决策四大类33种任务类型，涉及能源、金融等多个领域。实验发现，尽管LLM在简单任务上表现尚可，但在复杂任务（如约束预测、阈值校准、金融指标计算）中普遍失败，尤其在多步推理、数值精度和约束满足方面存在瓶颈。通过对8个SOTA模型的统一评测，揭示了当前LLM的局限性，强调需要开发符号推理、执行反馈等专门方法以提升LLM在时间序列分析中的实用性。代码和数据已开源。

本文提出FinCast，首个专为金融时间序列预测设计的基础模型。针对金融数据的时间非平稳性、多领域多样性和时间分辨率差异等挑战，该模型采用基于混合专家（MoE）的Transformer架构，通过token级稀疏路由实现条件计算。FinCast在包含20亿+时间点的大规模金融数据集上预训练，展现出卓越的零样本预测能力。实验表明，在加密货币、外汇、股票和期货等跨领域测试中，其预测精度显著优于TimesFM、Chronos-T5等现有方法（平均MSE降低20%），且仅需轻量微调即可进一步优化。

大规模多市场预训练语料库 数据来源：Kronos的预训练数据集包括来自45个全球交易所的超过120亿条K线记录，涵盖了股票、期货、外汇和加密货币等多种资产类别。这些数据的时间跨度为2010年1月至2024年3月，确保了数据的多样性和广泛性。 数据预处理：为了处理原始K线数据的不规则性和非平稳性，论文采用了对数收益率标准化（Log-Return Normalization）方法，

本文提出VisionTS++模型，旨在解决预训练视觉模型迁移到时间序列预测时面临的数据模态、多变量预测和概率预测三大挑战。通过引入基于视觉模型的过滤机制筛选高质量数据、彩色多变量转换方法将时间序列映射为多子图RGB图像，以及多分位数预测技术实现不确定性感知，该模型在持续预训练后展现出强大的跨模态迁移能力。实验表明，VisionTS++在分布内和分布外预测任务中均显著优于现有方法，其中MSE指标提升6%-44%，并在12个概率预测设置中的9个取得最优结果。这一成果为构建通用时间序列基础模型提供了新思路。

本文总结了2025 IJCAI上有关时间序列（time series）相关论文，共计26篇。时间序列Topic：预测，异常检测，因果发现，时序分析，LLM应用，多模态等。其中23-26为Survey Track，1为蒙特利尔会场，其余Main Track论文为广州会场。