顶会常青树：时间序列！2025年必将爆发

2025深度学习发论文&模型涨点之——时间序列

时间序列分析作为统计学与机器学习交叉领域的核心研究方向，近年来在理论创新与方法应用层面均取得了显著突破。从经典的自回归积分滑动平均（ARIMA）模型到深度学习驱动的时序预测框架（如Transformer、TCN），该领域的发展不仅推动了计量经济学、气象学、生物医学等学科的基础研究，也为工业界的高频交易、设备监测等场景提供了关键技术支撑。

我整理了一些时间序列【论文+代码】合集，需要的同学公人人人号【AI创新工场】发525自取。

论文精选

论文1：

Soft-DTW: a Differentiable Loss Function for Time-Series

Soft-DTW：一种适用于时间序列的可微分损失函数

方法

Soft-DTW损失函数：提出了一种基于动态时间弯曲（DTW）的可微分损失函数，通过计算所有可能对齐路径的成本的软最小值，使该函数适用于深度学习模型的优化。

平滑的最小化操作：引入了平滑的最小化操作，避免了传统DTW中的非连续性问题，使得损失函数在所有输入上可微分。

高效算法实现：设计了一种高效的算法来计算Soft-DTW及其梯度，时间复杂度和空间复杂度均为二次方级别，适合大规模数据集。

创新点

可微分性：首次将DTW转化为可微分的损失函数，使其能够直接用于深度学习模型的训练，显著提升了时间序列任务的优化能力。

性能提升：在多个时间序列聚类和预测任务中，Soft-DTW显著优于现有的基于DTW的方法和其他基线模型。例如，在UCR时间序列分类数据集上，Soft-DTW平均降低了15%的DTW损失，优于DBA方法。

计算效率：通过高效的算法实现，Soft-DTW在计算复杂度上与传统DTW相当，但提供了更好的优化性能和收敛速度。

论文2：

Temporal Fusion Transformers for Interpretable Multi-horizon Time Series Forecasting

Temporal Fusion Transformers：用于可解释多步时间序列预测的时序融合变换器

方法

时序融合变换器（TFT）：提出了一种基于注意力机制的新型架构，结合了循环神经网络用于局部处理和可解释的自注意力层用于捕捉长期依赖关系。

静态协变量编码器：引入了静态协变量编码器，将静态特征编码为上下文向量，用于增强时间序列的预测能力。

门控机制和变量选择网络：通过门控机制和变量选择网络，动态选择相关特征，减少无关输入的影响。

创新点

多模态输入处理：首次将Transformer架构应用于多步时间序列预测，同时考虑了静态协变量和动态输入，显著提升了模型的预测性能。

性能提升：在多个真实世界数据集上，TFT显著优于现有的深度学习和传统时间序列预测方法。例如，在UCR时间序列分类数据集上，TFT平均降低了20%的预测误差，优于其他基线模型。

可解释性：通过可视化注意力权重，TFT能够提供时间序列中的重要时间步和特征的解释，增强了模型的可解释性。

论文3：

Convolutional Radio Modulation Recognition Networks

卷积神经网络在无线电信号调制识别中的应用

方法

深度卷积神经网络（CNN）：研究了CNN在复杂值时间序列信号中的应用，特别是用于无线电信号调制类型的分类。

特征学习：通过在大规模合成数据集上训练深度CNN，模型能够自动学习信号的特征表示，而无需依赖于传统的专家特征提取方法。

数据增强：使用数据增强技术（如时间窗切片）来生成更多的训练样本，提高模型的泛化能力。

创新点

深度学习应用于调制识别：首次将深度学习方法应用于无线电信号调制识别，显著提高了低信噪比下的分类性能。

性能提升：在多个调制类型和信噪比条件下，CNN模型的性能优于传统的基于专家特征的方法。例如，在低信噪比（-6dB）条件下，CNN的分类准确率比传统方法提高了15%。

特征学习：提出了一种基于CNN的特征学习方法，能够自动从原始信号中提取有效特征，减少了对专家知识的依赖。