点关注，不迷路，用心整理每一篇算法干货~
NIPS 2024放榜，60多篇时间序列相关工作被收录。其中，有很多优秀的工作在放榜前，已经在圆圆的算法笔记公众号中，以及圆圆的算法笔记知识星球中已经更新过。今天给大家汇总一下之前已在公众号更新过的NIPS 2024工作详细解析，方便大家快速学习学习相关论文。
更完整的时序预测干货笔记，可以加入【圆圆的算法笔记知识星球】进一步深入学习。关注我们，及时跟进时序预测最新前沿工作。
论文标题：UNITS: A Unified Multi-Task Time Series Model
下载地址：https://arxiv.org/pdf/2403.00131
文章链接：哈佛大学&MIT联合发布，最新时间序列统一大模型UniTS，秒杀各类时序任务
更新时间：2024.3.9
概述：哈佛和MIT最近联合发表的时间序列大模型工作，构建了一个统一的时间序列模型，能够处理各类时间序列任务，在38种不同的时间序列任务中，有27个都取得了最优效果。
论文标题：From Similarity to Superiority: Channel Clustering for Time Series Forecasting
下载地址：https://arxiv.org/pdf/2404.01340
文章链接：耶鲁&斯坦福联合发表，融合channel独立/联合建模提升多元时序预测效果
更新时间：2024.4.17
概述：耶鲁大学和斯坦福大学联合发表的多元时间序列预测工作，重点解决的问题还是最近经常被提及的channel之间的联合建模还是独立建模的问题，提出了一种多channel间关系建模的新方法，通过学习各个channel间的关系，实现channel独立和channel联合建模的融合。
论文标题：Frequency Adaptive Normalization For Non-stationary Time Series Forecasting
下载地址：https://arxiv.org/pdf/2409.20371
文章链接：时序预测数据处理新方法汇总：多粒度和频域的可逆归一化
更新时间：2024.10.6
概述：提出了一种在频域进行可逆归一化的建模方法。其整体建模思路和ReVIN类似，将原始序列通过傅里叶变换映射到频域，在频域中选择topK个主要频率成分，将这些主要频率成分从原始数据中剥离出来，模型只对剩余的平稳季节项的序列进行预测，预测结果再加上主要频率成分进行还原。
论文标题：SOFTS: Efficient Multivariate Time Series Forecasting with Series-Core Fusion
下载地址：https://arxiv.org/pdf/2404.14197
文章链接：纯MLP模型达到新SOTA，基于序列-核心表征融合的高效多元时间序列预测
更新时间：2024.6.8
概述：文章旨在解决通道独立方法缺乏对通道之间相关性的利用，以及通道依赖方法不够鲁棒的问题。这篇文章，提出了一种新颖的中心化结构传递不同通道的信息，相比于分布式结构如Attention，Mixer等，这种中心化的结构既降低了计算开销，而且提高了对于异常通道的鲁棒性，以更低的复杂度获得更好的性能。
论文标题：TimeXer: Empowering Transformers for Time Series Forecasting with Exogenous Variables
下载地址：https://arxiv.org/pdf/2402.19072
文章链接：近期研究趋势：多变量当辅助序列提升多元时序预测效果
更新时间：2024.3.13
概述：TimeXer是清华大学近期发表了一篇工作，以Transformer为基础，通过更细致的建模外部变量建模实现目标变量拟合效果的提升。
论文标题：Are Self-Attentions Effective for Time Series Forecasting?
下载地址：https://arxiv.org/pdf/2405.16877
文章链接：Self-Attention在时间序列预测中有效吗？新Transformer架构效率效果双提升
更新时间：2024.6.11
概述：探索self-attention在时间序列预测有效性的文章。并提出了一个新的transfirmer时序预测结构，实现效率和效果双提升。
论文标题：Are Language Models Actually Useful for Time Series Forecasting?
下载地址：https://arxiv.org/pdf/2406.16964
文章链接：预训练大语言模型对时间序列预测真的有用吗？去掉预训练LLM效果反而提升
更新时间：2024.7.1
概述：这篇文章质疑大语言模型在时间序列预测中是否有效，并对目前最先进的3个基于大语言模型的时间序列预测模型进行实验，发现去掉大语言模型部分，改成一个attention网络，也能取得相同甚至更优的效果。
投稿&加交流群请加微信，备注机构+方向拉群~
