Fighting，小侠客们好呀，今天为大家带来的甄选论文合集——2024 Time Series Paper S7，包含2024年时间序列领域最新已发表的6篇顶级优秀论文。在信息爆炸的时代，我们面临着大量的数据和复杂的问题，而合集精心挑选最优秀的一批影响力较大的顶会顶刊发表论文，涵盖了各个领域的研究成果，旨在提供一扇通往最前沿研究的窗口，不论您是学者、研究人员还是决策者，这些论文都将为您提供实用的研究方法和宝贵的研究灵感。文末均附有论文PDF&项目源码提取码，合集已发表前沿论文如下：甄选论文涉及Time Series Forecasting（时间序列预测）、Probabilistic Time Series Forecasting（概率时间序列预测）、Time Series Classification（时间序列分类）、Time Series Imputation（时间序列填补）、Time Series Anomaly Detection（时间序列异常检测）、General Time Series Analysis（通用时间序列分析）、Spatio-Temporal Forecasting（时空预测）、Time Series Clustering（时间序列聚类）等多个研究子领域。2024 Time Series Paper S8的主要内容：
1. TFB（Time Series Forecasting）
2. MOIRAI（Universal Time Series Forecasting）
3. RevIN（Accurate Time-Series Forecasting）
4. ATFNet（Long-term Time Series Forecasting）
5. aLLM4TS（LLM for Time Series Representation Learning）
6. BiTCN（Time Series Probabilistic Forecasting）
01
Paper：《TFB: Towards Comprehensive and Fair Benchmarking of Time Series Forecasting Methods》
Task：Time Series ForecastingAbstract：时间序列产生于经济、交通、健康和能源等不同领域，在这些领域，对未来价值的预测具有许多重要应用。毫不奇怪，许多预测方法正在被提出。为了确保取得进展，必须能够以全面和可靠的方式对这些方法进行实证研究和比较。为了实现这一点，我们提出了TFB，这是一种时间序列预测（TSF）方法的自动化基准。TFB通过解决与数据集、比较方法和评估管道相关的缺点来推进最先进的技术：1）数据域覆盖不足，2）对传统方法的刻板印象偏见，以及3）管道不一致和不灵活。为了实现更好的领域覆盖，我们包括来自10个不同领域的数据集：交通、电力、能源、环境、自然、经济、股市、银行、健康和网络。我们还提供了时间序列特征，以确保所选数据集是全面的。为了消除对某些方法的偏见，我们提供了多种方法，包括统计学习、机器学习和深度学习方法，我们还支持各种评估策略和指标，以确保对不同方法进行更全面的评估。为了支持将不同的方法集成到基准中并实现公平的比较，TFB具有一个灵活且可扩展的管道，可以消除偏差。
接下来，我们使用TFB对8068个单变量时间序列上的21种单变量时间系列预测（UTSF）方法和25个数据集上的14种多变量时间序列预测（MTSF）方法进行了全面评估。这些结果提供了对预测方法的更深入理解，使我们能够更好地选择最适合特定数据集和设置的方法。总的来说，TFB和这一评估为研究人员提供了设计新TSF方法的改进方法。Paper：《Unified Training of Universal Time Series Forecasting Transformers》
Task：Universal Time Series Forecasting
Publication：ICML 2024
Abstract：用于时间序列预测的深度学习传统上在每个数据集一个模型的框架内运行，限制了其利用大型预训练模型改变游戏规则的影响潜力。通用预测的概念源于对大量时间序列数据集的预训练，它设想了一个能够处理不同下游预测任务的单一大型时间序列模型。然而，构建这样的模型带来了时间序列数据特有的独特挑战：i）交叉频率学习，ii）适应多变量时间序列的任意数量，以及iii）解决大规模数据中固有的变化分布特性。为了应对这些挑战，我们对传统的时间序列转换器架构进行了新的增强，从而产生了我们提出的基于掩蔽编码器的UnIveRsAl time序列预测转换器（MOIRAI）。MOIRAI经过我们新推出的大型开放时间序列档案（LOTSA）的训练，在九个领域进行了超过27B的观测，与full-shot模型相比，MOIRAI作为zero-shot模型取得了具有竞争力或卓越的性能。![]()
Paper：《Reversible Instance Normalization for Accurate Time-Series Forecasting against Distribution Shift》Task：Accurate Time Series Forecasting
Publication：ICLR 2024
Abstract：平均值和方差等统计特性通常在时间序列中随时间变化，即时间序列数据存在分布偏移问题。这种时间分布的变化是阻碍准确时间序列预测的主要挑战之一。为了解决这个问题，我们提出了一种简单而有效的归一化方法，称为可逆实例归一化（RevIN），这是一种具有可学习仿射变换的通用归一化和非归一化方法。所提出的方法采用对称结构来去除和恢复时间序列实例的统计信息，从而显著提高了时间序列预测的性能。我们通过对各种真实世界数据集进行广泛的定量和定性分析，证明了RevIN的有效性，解决了分布变化问题。
