时间序列预测大汇总！

时间序列预测，对经济规划、供应链管理及医学诊断等领域的决策起着关键作用。在深度学习领域，MLP、CNN、RNN、GNN 等基础架构早已广泛应用于解决时间序列预测问题，其中 Transformer 模型在处理长期依赖关系上表现卓越。

然而，近期研究显示，简单线性层等替代方案竟能超越 Transformer。当下，时间序列预测的架构建模迎来复兴，混合模型、扩散模型、Mamba 模型和基础模型等多样化架构不断涌现。本文对多种深度学习模型展开比较与重新审视，不仅展现了 MLP、CNN 等传统架构的创新，还揭示了 Transformer、Mamba 等新型架构的发展，带你直击时间序列预测的最新趋势。

根据上述分类，本文精心整理了【46篇】时间序列预测前沿研究，供大家参考学习，大家有需要可以自取~也欢迎大家分享给身边的朋友~

感兴趣的可以  [丝 xin]  我~~

基于MLP的模型

1. Efficient Time Series Forecasting via Hyper-Complex Models and Frequency Aggregation

本文提出了FIA-Net模型，旨在通过聚合短时傅里叶变换（STFT）窗口的信息来处理时间序列数据中的长程依赖性。

 

创新点

1. 超复数（HC）MLP架构 采用超复数代数的MLP架构，能够有效地结合所有STFT窗口的信息，显著提高了模型的接收域，同时减少了参数数量。

2. 窗口混合MLP（WM-MLP） 设计了WM-MLP，能够混合相邻STFT窗口的信息，从而捕捉频率域中的共享信息。

3. 参数效率 HC-MLP在处理长程依赖时，使用的参数数量比WM-MLP少三倍，且在多个数据集上表现出更好的性能。

论文链接：[2502.19983] Efficient Time Series Forecasting via Hyper-Complex Models and Frequency Aggregation

2. TSKANMixer: Kolmogorov-Arnold Networks with MLP-Mixer Model for Time Series Forecasting

本文提出了TSKANMixer架构，结合Kolmogorov-Arnold网络（KAN）与多层感知器（MLP）模型，旨在提高时间序列预测的准确性。通过在TSMixer模型中引入KAN层，增强了对复杂非线性关系的学习能力。

创新点

1. KAN与MLP的融合设计 在传统 TSMixer（时间序列混合器）模型中引入 KAN 层，替代部分固定激活函数的 MLP 模块。KAN 的可学习激活函数能够自适应调整非线性映射关系，提升对时间序列中复杂模式的捕捉能力。

2. 动态特征交互机制 提出窗口敏感的频率混合模块，结合局部窗口内的时间特征与全局频率信息。

论文链接：[2502.18410] TSKANMixer: Kolmogorov-Arnold Networks with MLP-Mixer Model for Time Series Forecasting

基于CNN的模型

1.TSP-OCS: A Time-Series Prediction for Optimal Camera Selection in Multi-Viewpoint Surgical Video Analysis

本文提出了一个基于完全监督学习的时间序列预测模型，旨在从多个同时录制的视频流中选择最佳镜头序列，以确保在手术过程中每个时刻的最佳视角。

创新点

1. 时间块网络 采用时间块（TimeBlocks）结构的网络来处理时序数据，能够有效捕捉序列依赖性，提升模型的预测准确性。

2. 线性嵌入层 引入线性嵌入层以降低特征维度，从而减少计算复杂性并提高模型效率。

论文链接：[2504.06527] TSP-OCS: A Time-Series Prediction for Optimal Camera Selection in Multi-Viewpoint Surgical Video Analysis

基于RNN的模型

1. Towards Efficient Real-Time Video Motion Transfer via Generative Time Series Modeling

本文提出了一个深度学习框架，旨在显著优化支持运动传输的视频应用程序的带宽，包括视频会议、虚拟现实交互、健康监测系统和基于视觉的实时异常检测。

创新点

1. 未来帧预测与生成 通过特定架构，减少对网络连接的依赖，同时优化计算效率和带宽利用率。这种方法允许在接收端预测和生成未来的帧。

2. 实时运动转移管道 通过实时运动转移管道生成多样化的序列，可以生成无缝动画，从而在多人环境中保持真实的互动，增强玩家的沉浸感，减少网络延迟的影响。

论文链接：[2504.05537] Towards Efficient Real-Time Video Motion Transfer via Generative Time Series Modeling

基于Transformer的模型

1. Sequence Complementor: Complementing Transformers For Time Series Forecasting with Learnable Sequences

本文研究发现序列表示的表达能力是影响 Transformer 在时间预测中性能的关键因素，更多样化的表示表现得更好，并提出了一种带有序列互补器的新型注意力机制，从信息论的角度证明了可行性。

创新点

1. 序列补充器 提出了通过添加可学习的补充序列来增强原始时间序列输入的多样性。这种方法简单但有效，能够提高模型对特征的丰富表示能力。

2. 可学习的补充序列 通过将额外的可学习序列与原始输入序列连接，增强输入数据的多样性。这种方法可以无缝集成到现有的时间序列预测模型中，且计算开销相对较小。

论文链接：[2501.02735] Sequence Complementor: Complementing Transformers For Time Series Forecasting with Learnable Sequences

基于mamba的模型

1. ms-Mamba: Multi-scale Mamba for Time-Series Forecasting

本文提出了一个新的多尺度时间序列预测架构，利用多个具有不同采样率的Mamba块来处理时间序列数据。这种方法能够更好地捕捉和利用时间序列数据的多尺度特性。

创新点

1. 可学习的采样率 本文使用不同的采样率，包括使用超参数作为学习采样率的倍数，为每个SSM学习不同的采样率，从输入中估计采样率。这种灵活性使得模型能够适应不同的数据特性。

2. 性能与效率的平衡 ms-Mamba架构在性能和效率之间达到了良好的平衡，展示了其在处理复杂时间依赖性方面的优势，尤其是在长时间序列预测任务中。

论文链接：[2504.07654] ms-Mamba: Multi-scale Mamba for Time-Series Forecasting