Fighting，小侠客们好呀，祝大家十一国庆快乐！今天为大家带来的甄选论文合集——2024 Time Series Paper S9，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 S9的主要内容：
1. MambaLithium（Mamba Model for RUL, SoC and SoH Prediction of lithium-ion batteries）
2. AtGRU（Wind Speed Time Series Forecasting）
3. FlashST（Prompt-Tuning for Traffic Prediction）
4. Uni2TS（Time Series Forecasting Transformers）
5. CALF（Aligning LLMs for Time Series Forecasting）
6. QuoVadisTAD（Time Series Anomaly Detection）
01
Paper：《MambaLithium: Selective state space model for remaining-useful-life, state-of-health, and state-of-charge estimation of lithium-ion batteries》
Task：Mamba Model for RUL, SoC and SoH Prediction of lithium-ion batteriesAbstract：近年来，锂离子电池在电动汽车和新兴的新能源产业领域占据着关键地位。它们的性能在很大程度上取决于三个核心状态：剩余使用寿命（RUL）、健康状态（SOH）和荷电状态（SOC）。鉴于Mamba（带选择机制和扫描模块的结构化状态空间序列模型，S6）在序列建模任务中取得了显著成功，本文介绍了MambaLithium，这是一种专为精确估计这些关键电池状态而设计的选择性状态空间模型。利用Mamba算法，MambaLithium能够熟练地捕捉锂离子电池复杂的老化和充电动态。通过关注电池运行包络内的关键状态，MambaLithium不仅提高了估计精度，还保持了计算鲁棒性。使用真实电池数据进行的实验验证了该模型在预测电池健康和性能指标方面的优越性，超越了当前的方法。拟议的MambaLithium框架在推进电池管理系统和促进可持续能源存储解决方案方面具有应用潜力。
![]()
![]()
Paper：《Short-term wind speed forecasting model based on an attention-gated recurrent neural network and error correction strategy》
Task：Wind Speed Time Series Forecasting
Publication：ArXiv 2024
Abstract：准确的风速序列预测对电网调度安全和风电应用至关重要。然而，由于它们的非线性和非平稳性，它们的短期预测极具挑战性。因此，本文提出了一种基于注意力的短期风速预测模式，该模式采用改进的门控递归神经网络（AtGRU）和误差校正策略。该模型使用AtGRU模型作为初步预测器，GRU模型用作误差校正器。首先，在之前的风速序列中采用SSA（奇异谱分析）来降低噪声。随后，历史风速序列将用于预测器训练。在这个过程中，预测可能会有一定的误差。通过变分模态分解（VMD）处理的这些误差序列用于训练误差校正器。最终的预测结果只是预测器预测和误差校正器的总和。在Woodburn、圣托马斯和圣克鲁斯的三个案例研究中，提出的SSA-AtGRU VMD-GRU模型的表现优于比较模型。结果表明，该模型明显提高了风速预报的准确性。Paper：《FlashST: A Simple and Universal Prompt-Tuning Framework for Traffic Prediction》Task：Prompt-Tuning for Traffic Prediction
Publication：ICML 2024
Abstract：交通预测的目标是准确预测和分析交通模式的动态，同时考虑空间和时间。然而，分布偏移的存在给这一领域带来了重大挑战，因为现有的模型在面对与训练分布显著不同的测试数据时很难很好地泛化。为了解决这个问题，本文引入了一个简单通用的时空提示调优框架FlashST，该框架使预训练模型适应不同下游数据集的特定特征，提高了不同流量预测场景的泛化能力。具体来说，FlashST框架采用轻量级的时空提示网络进行上下文学习，捕获时空不变知识，并促进对不同场景的有效适应。此外，我们还引入了分布映射机制，以对齐预训练和下游数据的数据分布，促进时空预测中的有效知识转移。实证评估证明了我们的FlashST在使用不同城市数据集的不同时空预测任务中的有效性。
