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 S10，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 S10的主要内容：
1. Neural-LAM（Weather Probabilistic Time Series Forecasting）
2. xLSTMTime（Long-term Time Series Forecasting）
3. RandomNet（Time Series Clustering）
4. KAN4TSF（KAN for Time Series Forecasting）
5. TSI-Bench（Time Series Imputation）
6. ViTime（Visual Time Series Forecasting）
01
Paper：《Probabilistic Weather Forecasting with Hierarchical Graph Neural Networks》
Task：Weather Probabilistic Time Series ForecastingAbstract：近年来，机器学习已成为高分辨率天气预报的强大工具。虽然目前大多数机器学习模型都专注于确定性预测，但准确捕捉混沌天气系统中的不确定性需要概率建模。我们提出了一种称为图EFM的概率天气预报模型，将灵活的潜在变量公式与成功的基于图的预报框架相结合。使用分层图结构可以有效地对空间相干预报进行采样。Graph EFM每个时间步长只需要一次前向通过，可以快速生成任意大的集合。我们对该模型进行了全球和有限区域预测的实验。Graph EFM的集合预测实现了与可比确定性模型相当或更低的误差，并具有准确捕捉预测不确定性的额外好处。
![]()
![]()
Paper：《xLSTMTime : Long-term Time Series Forecasting With xLSTM》
Task：Long-term Time Series Forecasting
Publication：ArXiv 2024
Abstract：近年来，基于Transformer的模型在多元长期时间序列预测（LTSF）中越来越突出，尽管面临着高计算需求、难以捕捉时间动态和管理长期依赖关系等挑战，但仍取得了重大进展。LTSF Linear的出现及其简单的线性架构明显优于基于Transformer的同行，促使人们重新评估变压器在时间序列预测中的效用。作为回应，本文提出了一种适用于LTSF的最新架构，称为扩展LSTM（xLSTM）。xLSTM结合了指数门控和具有更高容量的改进存储结构，具有很好的LTSF潜力。我们采用的LTSF架构xLSTMTime超越了当前的方法。我们将xLSTMTime的性能与多个现实世界数据集中的各种最先进模型进行了比较，展示了其卓越的预测能力。我们的研究结果表明，改进的循环架构可以在LTSF任务中为基于Transformer的模型提供有竞争力的替代方案，有可能重新定义时间序列预测的格局。Paper：《Randomnet: clustering time series using untrained deep neural networks》Task：Time Series Clustering
Publication：DMKD 2024
Abstract：神经网络广泛应用于机器学习和数据挖掘。通常，这些网络需要训练，这意味着根据输入数据调整网络内的权重（参数）。在这项工作中，我们提出了一种新的方法RandomNet，它使用未经训练的深度神经网络对时间序列进行聚类。RandomNet使用不同的随机权重集来提取时间序列的不同表示，然后整合从这些不同表示中得出的聚类关系，以构建最终的聚类结果。通过提取不同的表示，我们的模型可以有效地处理具有不同特征的时间序列。由于所有参数都是随机生成的，因此在此过程中不需要训练。我们对该方法的有效性进行了理论分析。为了验证其性能，我们对著名的UCR时间序列档案中的所有128个数据集进行了广泛的实验，并对结果进行了统计分析。这些数据集有不同的大小、序列长度，它们来自不同的领域。实验结果表明，与现有的最先进的方法相比，所提出的方法具有竞争力。
