AAAI‘2024时间序列论文汇总！预测、分类、异常检测和因果发现的最新进展

在数据科学领域，时间序列分析一直是研究的热点和难点。随着大数据时代的到来，时间序列数据在各个领域的应用越来越广泛，如金融、气象、健康等。因此，对时间序列的研究具有重要的理论和实践意义。

今天就将AAAI'2024会议收录的时间序列论文进行了汇总，涵盖预测、分类、异常检测与因果发现多个方向，大家可以看一看该领域的研究进展和最新成果。

1、MSGNet: Learning Multi-Scale Inter-Series Correlations for Multivariate Time Series Forecasting

MSGNet：学习多变量时间序列预测中的多尺度间序列相关性

简述：本文提出了一种先进的深度学习模型MSGNet，利用频域分析和自适应图卷积捕捉不同时间尺度上的相互关系。该模型能提取显著周期模式，分解时间序列，并结合自注意力机制和自适应混合跳跃图卷积层学习不同相互关系。在多个真实数据集上实验证明其有效性，且能自动学习可解释的多尺度相互关系，具有强大泛化能力。

2、Learning from Polar Representation: An Extreme-Adaptive Model for Long-Term Time Series Forecasting

从极化表示中学习：用于长期时间序列预测的极端自适应模型