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 S8，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. FreDF（Time Series Modeling）
2. AlphaFin（LLM for Stock Prediction）
3. PDF（Long-term Time Series Forecasting）
4. SOFTS（Multivariate Time Series Forecasting）
5. GNN-Flood（GNN for Flood Forecasting）
6. UniST（Traffic Spatio-Temporal Forecasting）
01
Paper：《FREDF: LEARNING TO FORECAST IN FREQUENCY DOMAIN》
Task：Time Series ModelingAbstract：时间序列建模受到历史序列和标签序列中自相关存在的独特挑战。目前的研究主要集中在处理历史序列中的自相关，但往往忽视了它在标签序列中的存在。具体来说，新兴的预测模型主要遵循直接预测（DF）范式，在标签序列内条件独立的假设下生成多步预测。这种假设忽略了标签序列中固有的自相关性，从而限制了基于DF的模型的性能。为了弥补这一差距，我们引入了频率增强直接预测（FreDF），它通过学习频域预测来绕过标签自相关的复杂性。我们的实验表明，FreDF大大优于现有的最先进的方法，并且与各种预测模型兼容。
![]()
Paper：《AlphaFin: Benchmarking Financial Analysis with Retrieval Augmented Stock-Chain Framework》
Task：LLM for Stock Prediction
Publication：Arxiv 2024
Abstract：金融分析的任务主要包括两个关键领域：股票趋势预测和相应的金融问答。目前，机器学习和深度学习算法（ML&DL）已被广泛应用于股票趋势预测，并取得了重大进展。然而，这些方法无法提供预测的理由，缺乏可解释性和推理过程。此外，他们无法整合金融新闻或报道等文本信息。同时，大型语言模型（LLMs）具有显著的文本理解和生成能力。但由于缺乏金融培训数据集，与实时知识的集成有限，LLM仍然会产生幻觉，无法跟上最新信息。为了应对这些挑战，我们首先发布了AlphaFin数据集，结合了传统研究数据集、实时财务数据和手写思维链（CoT）数据。它对培训法学硕士完成财务分析具有积极影响。然后，我们使用AlphaFin数据集对一种名为Stock Chain的最先进方法进行基准测试，以有效地处理金融分析任务，该方法集成了检索增强生成（RAG）技术。我们进行了广泛的实验来证明我们的框架在财务分析方面的有效性。![]()
03
Paper：《Periodicity Decoupling Framework for Long-term Series Forecasting》Task：Long-term Time Series Forecasting
Publication：ICLR 2024
Abstract：基于卷积神经网络（CNN）和基于Transformer的方法最近在时间序列预测方面取得了重大进展，这些方法擅长建模局部时间变化或捕捉长期依赖关系。然而，现实世界的时间序列通常包含复杂的时间模式，这使得主要关注直接从1D时间序列进行时间变化建模的现有方法具有挑战性。基于时间序列的内在周期性，我们提出了一种新的周期性解耦框架（PDF），用于捕获解耦序列的二维时间变化，以进行长期序列预测。我们的PDF主要由三个部分组成：多周期解耦块（MDB）、双变量建模块（DVMB）和变量聚合块（VAB）。与之前建模1D时间变化的方法不同，我们的PDF主要建模2D时间变化，通过MDB与1D时间序列解耦。之后，DVMB试图进一步捕捉短期和长期变化，然后VAB进行最终预测。七个真实世界长期时间序列数据集的广泛实验结果表明，在预测性能和计算效率方面，我们的方法优于其它最先进的方法。
