NeurIPS 2025前瞻！时间序列依旧热度不减？

NeurIPS 2025，即第39届神经信息处理系统大会，将于2025年12月9日至15日在美国圣地亚哥举行。

作为机器学习和人工智能领域的顶级会议之一，NeurIPS 2025将汇聚全球顶尖的研究人员和从业者，共同探讨神经网络、深度学习、强化学习等前沿领域的最新进展，时间序列方向依旧是其中的重要研究领域。

目前，NeurIPS 2025的截稿日期为2025年5月1日，我整理了一些NeurIPS 2024时间序列方向的相关论文，准备投稿的同学，工棕号【沃的顶会】回复 NIPS时序 即可领取。

Rethinking the Power of Timestamps for Robust Time Series Forecasting：AGlobal-Local Fusion Perspective

文章解析

本文提出了一种名为GLAFF的新框架，通过利用时间戳中的全局信息来增强时间序列预测模型的鲁棒性。

GLAFF能够自适应地调整全局和局部信息的权重，从而提高预测性能。

创新点

1.提出了GLAFF框架，首次将时间戳作为全局信息源进行建模，显著提升了时间序列预测的鲁棒性。

2.GLAFF是一个即插即用的模块，可以无缝集成到任何时间序列预测型中。

3.通过自适应融合全局和局部信息，GLAFF在多个真实数据集上显著提高了主流预测模型的平均性能。

研究方法

1.使用注意力机制对时间戳进行单独建模，提取全局依赖关系。

2.引入鲁棒去规范化器处理滑动窗口内的异常值，减轻数据漂移的影响。

3.通过自适应组合器动态调整全局映射和局部预测的权重，生成最终预测结果。

研究结论

1.GLAFF框架显著增强了时间序列预测模型的鲁棒性和准确性。

2.实验结果表明，GLAFF在九个真实数据集上平均性能提升12.5%，超越了现有最先进方法5.5%。

3.GLAFF作为一个通用框架，可以与任何时间序列预测模型无缝协作。

AutoTimes：Autoregressive Time Series Forecasters via Large Language Models

文章解析

本文提出了一种新的方法AutoTimes，通过将大规模语言模型（LLM）重新用于时间序列预测，利用其自回归特性和多步生成能力。

该方法通过将时间序列投影到语言嵌入空间，并自回归地生成未来预测，实现了灵活的预测长度和高效的训练/推理速度。

创新点

1.提出了AutoTimes，一种利用大规模语言模型自回归特性的方法，实现任意长度的时间序列预测。

2.引入了上下文预测（in-context forecasting），通过相关时间序列提示增强预测性能。

3.使用LLM嵌入的时间戳作为位置嵌入，利用时间顺序信息对多变量时间序列进行对齐。

4.在保持高性能的同时，显著减少了训练和推理时间，并展示了零样本泛化能力。

研究方法

1.将时间序列段独立嵌入到语言模型的潜在空间中，通过一致的训练目标：下一个标记预测。

2.冻结LLM，仅调整时间序列的标记嵌入和投影，减少训练成本。

3.采用自回归推理方式，不再受限于特定的回溯/预测长度。

4.通过引入相关时间序列提示，实现上下文预测，进一步利用时间顺序信息。

研究结论

1.通过继承LLM的自回归特性，AutoTimes能够实现任意长度的时间序列预测，并具备时间顺序感知能力。

2.与现有方法相比，AutoTimes在性能上表现出色，同时节省了超过80%的训练和推理时间。

3.AutoTimes展示了零样本泛化能力和上下文预测能力，进一步扩展了时间序列预测的应用范围。