#时间序列

共 10 篇相关文章

谷歌TimesFM 3.0时间序列基础模型实测：零样本预测误差降低25%、秒级出结果，但在商业what-if规划中两个版本给出相反答案。深度分析模型原理、版本差异与生产部署的四个关键限制。

Mistral AI 发布 Timestral 时间序列基础模型家族，参数覆盖 5M 至 209M。209M 版本在 GIFT-Eval、TIME、fev-bench 零样本基准领先 Google TimesFM-3，并支持 CPU 推理。

重叠窗口是时序回测中最容易制造假显著性的陷阱。本文用一个真实案例说明：913 个重叠锚点如何把 1.4 个标准误吹成 2.4 个，以及如何通过对比锚点间隔与预测视野来识别和修复这一问题。

FastCDTW 是一种高效近似连续动态时间规整（CDTW）的求解方法，通过分段线性闭式解与无偏蒙特卡洛估计两种策略，提供对扭曲函数和输入序列的梯度，GPU 友好，可用于时间序列平均、分类与深度域适应。

arXiv 最新论文提出 QiYao-I，一款面向不规则多元时间序列预测的流形基础模型。它通过采样条件化时间流形注意力与频率感知的动态变量交互机制，在零样本和少样本场景下实现超越现有基础模型的预测性能。

一项关于深度序列模型与时间序列保形预测的系统性研究，通过条件分位数回归、分位数函数估计和局部化保形预测三条路径，突破可交换性假设限制，为可靠的不确定性量化提供理论保证与实验验证。

TRACE是一个用于电价预测的可复现基准，包含7300个区域-日实例，首次系统评估官方运营文本的预测价值。研究显示文本信息可使上尾分位损失中位数下降7.4%，并通过错配消融实验验证了文本的真实价值。

NeurIPS论文提出拓扑域外泛化方法，通过特征分离与物理稀疏先验修复分层DSR模型缺陷，使AI能在不知控制参数的情况下预测系统分岔与动力学突变，适用于PLRNN和Neural ODE。

NeurIPS 2026 Spotlight论文提出时间并行训练方法，结合DEER与广义教师强制（GTF），将混沌动力学系统上的RNN训练提速超100倍，并在动力学系统重建任务中超越Mamba等状态空间模型。

B2B季度营收预测模型总是方差大、结果差？本文从数据粒度、特征工程、基线模型和评估方法四个维度，解析小样本时间序列预测的常见陷阱与实战优化思路。