时序多方向论文204篇大整理，包含时序预测/时序Transformer/时序大模型等最新研究...

时空预测引领了新的热点，时间序列预测领域的首个大模型 TimeGPT 引起业界热议，Transformer+时序，扩散模型+时序更是顶会新方向大热“种子”选手，时序+多方向正在成为这个AI界瞩目的黑马！

本文整理了时间序列的时序预测 / 时序-Transformer / 时序-大模型 / 时序-扩散四大方向的最新论文204篇。

扫码回复“时序”领204篇论文合集

时间序列预测论文

ICLR2024 

ClimODE: Climate Forecasting With Physics-informed Neural ODEs

AAL2024

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

NeurIPS2023

Frequency-domain MLPs are More Effective Lea深度之眼整理rners in Time Series Forecasting

ICML 2023

Learning Deep Time-index Models for Time S深度之眼整理eries Forecasting 

KDD 2023

TSMixer: Lightweight MLP-Mixer Model fo深度之眼整理r Multivariate Time Series Forecasting 

因篇幅有限 仅展示前5篇

扫码回复“时序”领204篇论文合集

时间序列+transformer必读论文

1.iTransformer: InvertedTransformers Are Effective for Time Series Forecastina

2.Pathformer: Multi- Scale Transformers  With Adaptive Pathways For Time Series Forecasting

3.SCALEFORMER: ITERATIVE MULTI-SCALE REFINING TRANSFORMERS FOR TIME

SERIESFORECASTING

4.InParformer: Evolutionary Decomposition Transformers with Interactive Parallel Attentionfor LongTerm Time Series Forecasting

5.ContiFormer: Continuous-Time Tansformer for Irreqular Time Series Modeling

因篇幅有限 仅展示前5篇

扫码回复“时序”领204篇论文合集

深度学习+时间序列预测必读论文

卷积神经网络方法(4种算法模型)

1.CNN

Recent advances in convolutional neural networks

2.WaveNet-CNN

Conditional time series forecasting with convolutional neural networks

3.Kmeans-CNN

Short-term load forecasting in smart grid: a combined CNN and K-means clustering approach

4.TCN

An empirical evaluation of generic convolutional and recurrent networks for sequence modeling

因篇幅有限 仅展示前4篇

循环神经网络方法(3种算法模型）

1.RNN

Bidirectional recurrent neural networks

2.LSTM(长短期记忆网络)

Long short-term memory

3.GRU(门控循环单元)

Learning phrase representations using RNN encoder- decoder for statistical machine translation

Transformer方法(11种算法模型)

1.Transformer

Attention-based models for speech recognition

2.BERT

BERT: pre-training of deep bidirectional transformers for language understanding

3.AST

Adversarial sparse transformer for time series forecasting

4.Informer

Informer: beyond efficient transformer for long sequence time-series forecasting

因篇幅有限 仅展示部分

扫码回复“时序”领204篇论文合集

时间序列新突破:大模型+时间序列

大模型处时间序列

1.基于Promtpt的方法

Leveraging Language Foundation Models for HumanMobility Forecasting

2.将时间序列进行离散化处理

AudioLM: a Language Modeling Approach to Audio Generation

3.时间序列-文本对齐代表论文

Open Vocabulary Electroencephalography-To-Text Decoding and Zero-shot Sentiment Classification

4.引入视觉信息

Leveraging Vision-Language Models for Granul深度之眼整理tar Market Change Prediction

5.大模型工具

Unleashing the Power of  Shared Label Structures for Human Activity Recognition

训练时间序列领域大模型

TimetGPT-1

扫码回复“时序”领204篇论文合集

针对目前的大热时序，我们请来了顶会审稿人chichi老师在5月29日晚20:00解读时空时序大模型预备知识+论文。

课程大纲：

- 时序预测

• 时序预测研究内容 

• 时序数据编码 

• 时序预测解码

• 损失函数

- 大语言模型 for 时序 

• LLM背景

• LLM的优点
  

• LLM与时序预测的关系
  

- LLM for time series 论文解读

• 微调LLM做时空时序预测

• 语言增强的时序/时空预测模型

• LLM做时序预测的未来挑战与研究方向

- 核心代码

扫码解锁5月29日20:00

解读时序大模型预备知识+论文

另外，我们准备了32节时间序列系列课程基础上，课程分为五个模块。

• 模块一基础：认识数据科学家

• 模块二进阶：时间序列预测概论+论文和代码讲解

• 模块三项目实战：基于股价和零售的时序项目实战

• 模块四比赛实战：数据科学入门赛+回答准确性预测赛

• 模块五时序前沿：前沿机器学习与时序+时序分析任务与最新应用场景

0.01元解锁《时间序列系列课》

32节课+37h+部分课件+部分课堂作业及代码

一、时序课程介绍

01- 认识数据科学家

了解数据科学家的概念，岗位分布、职责、技能、薪资、职业发展路线等  

—课程时长：1小时

02-时间序列预测基础

1：时间序列预测入门

2：时间序列预测代码实践

3：Forecasting at Scale论文讲解+代码讲解

—课程时长：6小时

03-时序项目实战

1：夯实算法基础、熟悉算法原理，通过代码实操解决问题

2：系统掌握时序分析方法以及预测方法

—课程时长：8小时

04-两场时序比赛实战

1：数据科学入门赛

2：回答准确性预测赛

—课程时长：20小时

05-时序前沿项目

前沿机器学习与时序

时序分析任务与最新应用场景

—课程时长：2小时

这次更新的时序课程时长37小时，总共32节，0.01元即可解锁。

0.01元解锁《时间序列系列课》

32节课+37h+部分课件+部分课堂作业及代码