awesome-AI-for-time-series-papers
AI 解读 由 AI 自动生成，仅供参考
awesome-AI-for-time-series-papers 是一个专为人工智能时间序列分析领域打造的高质量资源库。它系统性地汇集了发表在顶级 AI 会议（如 NeurIPS、ICML、KDD、AAAI 等）和权威期刊上的最新论文、教程及综述，涵盖时间序列、时空数据、事件数据等多个细分方向。
在时间序列分析技术飞速迭代的背景下，研究人员往往面临文献分散、难以追踪最新成果的痛点。awesome-AI-for-time-series-papers 有效解决了这一难题，它不仅提供论文列表，还特别标注了附带代码实现的资源，极大降低了复现门槛。其最显著的特点是更新极为及时，一旦顶会录用名单公布，列表便会迅速同步，确保用户能第一时间获取前沿资讯。
这份资源库非常适合从事相关领域的科研人员、算法工程师以及高校学生使用。无论是希望快速了解领域全貌的初学者，还是急需追踪最新 SOTA（当前最佳）模型的专业开发者，都能从中高效获取所需信息。通过分类清晰的目录结构，用户可以轻松按年份或会议查找特定文献，是深耕 AI 时间序列分析不可或缺的案头指南。
使用场景
某金融科技公司的算法团队正致力于研发新一代股票波动率预测模型，急需追踪最新的时序 AI 研究成果以突破现有性能瓶颈。
没有 awesome-AI-for-time-series-papers 时
- 信息搜集效率低下：研究人员需手动遍历 NeurIPS、KDD、ICLR 等十几个顶级会议的官网，耗时数天才能拼凑出完整的论文列表。
- 关键资源缺失：找到论文标题后，往往难以快速定位对应的开源代码实现或官方教程，导致复现成本极高。
- 前沿动态滞后：由于缺乏即时更新机制，团队容易错过刚刚被接收的最新论文（如 ICLR'24 或 KDD'23 的新成果），导致研究起点落后于学术界。
- 领域覆盖不全：人工搜索容易遗漏时空数据、事件数据等细分领域的交叉研究，造成技术选型视野狭窄。
使用 awesome-AI-for-time-series-papers 后
- 一站式获取资源：团队直接访问该清单，即可按会议年份（如 2024 AAAI、WWW）快速获取经过筛选的高质量论文、代码链接及配套教程。
- 复现周期大幅缩短：每篇条目均标注了可用代码状态，工程师能立即着手验证 SOTA 模型，将原本数周的文献调研压缩至几小时。
- 同步最新学术进展：依托其"ASAP 更新”机制，团队在会议结果公布第一时间就能掌握如 Time Series 和 Temporal Point Processes 领域的最新突破。
- 拓宽技术视野：清单涵盖从传统时序到复杂的时空序列数据，帮助团队发现跨领域的创新架构，优化了模型设计思路。
awesome-AI-for-time-series-papers 通过构建权威且实时的知识索引，将科研人员从繁琐的信息检索中解放出来，使其能专注于核心算法的创新与落地。
运行环境要求
GPU
未说明
内存
未说明
依赖
notes该仓库是一个论文、教程和综述的精选列表（Awesome List），本身不包含可执行的源代码或模型，因此没有特定的运行环境、GPU、内存或依赖库要求。用户需根据列表中链接到的具体论文对应的独立代码仓库来配置相应的运行环境。
python未说明
快速开始
时间序列人工智能（AI4TS）论文、教程与综述
一份专业整理的列表，收录了近期时间序列分析人工智能（AI4TS）领域的论文（附代码）、教程和综述，涵盖时间序列、时空数据、事件数据、序列数据、时序点过程等主题，内容来自顶级人工智能会议和期刊。每当相关顶级会议或期刊公布接收论文时，本列表将尽快更新。希望这份列表能为对时间序列分析人工智能感兴趣的科研人员和工程师提供帮助。
顶级会议包括：
- 机器学习：NeurIPS、ICML、ICLR
- 数据挖掘：KDD、WWW
- 人工智能：AAAI、IJCAI
- 数据管理：SIGMOD、VLDB、ICDE
- 其他（精选）：AISTAT、CIKM、ICDM、WSDM、SIGIR、ICASSP、CVPR、ICCV等
顶级期刊包括（主要用于综述论文）： CACM、PIEEE、TPAMI、TKDE、TNNLS、TITS、TIST、SPM、JMLR、JAIR、CSUR、DMKD、KAIS、IJF、arXiv（精选）等
如果您发现任何遗漏的资源（论文/代码）或错误，请随时提出Issue或发起Pull Request。
如需了解各领域（深度学习、机器学习、数据挖掘、计算机视觉、自然语言处理、语音等）的最新人工智能进展：教程与综述，请参阅此仓库。
最新更新说明
- [2024年3月4日] 新增ICLR'24、AAAI'24、WWW'24接收的论文！
- [2023年7月5日] 新增KDD'23接收的论文！
- [2023年6月20日] 新增ICML'23接收的论文！
- [2023年2月7日] 新增ICLR'23和AAAI'23接收的论文！
- [2022年9月18日] 新增NeurIPS'22接收的论文！
- [2022年7月14日] 新增KDD'22接收的论文！
- [2022年6月2日] 新增ICML'22、ICLR'22、AAAI'22、IJCAI'22接收的论文！
目录
AI4TS教程与综述
AI4TS教程
- 时间序列中的分布外泛化，发表于AAAI 2024。[链接]
- 鲁棒时间序列分析及其应用：跨学科方法，发表于ICDM 2023。[链接]
- 鲁棒时间序列分析及其应用：工业视角，发表于KDD 2022。[链接]
- 医疗健康领域的时间序列：挑战与解决方案，发表于AAAI 2022。[链接]
- 时间序列异常检测：工具、技术和技巧，发表于DASFAA 2022。[链接]
- 大型时间序列预测的现代视角，发表于IJCAI 2021。[链接]
- 可解释人工智能在社会事件预测中的应用：基础、方法与实践，发表于AAAI 2021。[链接]
- 物理引导的人工智能在大规模时空数据中的应用，发表于KDD 2021。[链接]
- 深度学习在异常检测中的应用，发表于KDD & WSDM 2020。[链接1] [链接2] [链接3]
- 使用开源工具和Azure机器学习构建预测解决方案，发表于KDD 2020。[链接]
- 解读与解释深度神经网络：以时间序列数据为例，发表于KDD 2020。[链接]
- 大型时间序列预测：理论与实践，发表于KDD 2019。[链接]
- 时空事件预测与前兆识别，发表于KDD 2019。[链接]
- 时序点过程的建模与应用，发表于KDD 2019。[链接1] [链接2]
AI4TS 調查研究
時間序列通用調查
- 大型語言模型能為時間序列分析帶來什麼啟示，發表於 arXiv 2024。[論文]
- 面向時間序列與時空數據的大型模型：綜述與展望，發表於 arXiv 2023。[論文] [網站]
- 多變量時間序列插補中的深度學習：綜述，發表於 arXiv 2024。[論文] [網站]
- 自監督學習在時間序列分析中的應用：分類、進展與前景，發表於 arXiv 2023。[論文] [網站]
- 圖神經網絡在時間序列中的應用：預測、分類、插補與異常檢測，發表於 arXiv 2023。[論文] [網站]
- 時間序列中的變壓器模型：綜述，發表於 IJCAI 2023。[論文] [GitHub 倉庫]
- 深度學習中用於時間序列數據增強的技術：綜述，發表於 IJCAI 2021。[論文]
- 神經時序點過程：回顧，發表於 IJCAI 2021。[論文]
- 時間序列分析中的因果推斷：問題、方法與評估，發表於 KAIS 2022。[論文]
- 時間序列因果發現方法的調查與評估，發表於 JAIR 2022。[論文]
- 深度學習在時空數據挖掘中的應用：綜述，發表於 TKDE 2020。[論文]
- 面向時空數據的生成對抗網絡：綜述，發表於 TIST 2022。[論文]
- 時空數據挖掘：問題與方法綜述，發表於 CSUR 2018。[論文]
- 不規則采樣時間序列學習的原則、模型與方法綜述，發表於 NeurIPS 工作坊 2020。[論文]
- 計數時間序列分析：信號處理視角，發表於 SPM 2019。[論文]
- 小波變換在非平穩時間序列分析中的應用：回顧，發表於 Applied Sciences 2019。[論文]
- 格蘭傑因果關係：回顧與最新進展，發表於 統計及其應用年度評論 2014。[論文]
- 不規則采樣醫療時間序列數據的深度學習方法綜述，發表於 arXiv 2020。[論文]
- 不止於視覺：多模態與時序數據自監督表徵學習綜述，發表於 arXiv 2022。[論文]
- 時間序列預訓練模型綜述，發表於 arXiv 2023。[論文] [鏈接]
- 自監督學習在時間序列分析中的應用：分類、進展與前景，發表於 arXiv 2023。[論文] [網站]
- 圖神經網絡在時間序列中的應用：預測、分類、插補與異常檢測，發表於 arXiv 2023。[論文] [網站]
時間序列預測調查
- 預測：理論與實踐，發表於 IJF 2022。[論文]
- 深度學習在時間序列預測中的應用：綜述，發表於 英國皇家學會哲學交易 A 卷 2021。[論文]
- 交通預測中的深度學習：方法、分析與未來方向，發表於 TITS 2022。[論文]
- 大數據時代的事件預測：系統性綜述，發表於 CSUR 2022。[論文]
- 預測競賽簡史，發表於 IJF 2020。[論文]
- 神經預測：介紹與文獻綜述，發表於 arXiv 2020。[論文]
- 概率預測，發表於 統計及其應用年度評論 2014。[論文]
時間序列異常檢測調查
- 時間序列數據中的離群點/異常檢測綜述，發表於 CSUR 2021。[論文]
- 物聯網時間序列數據的異常檢測：綜述，發表於 IEEE 物聯網期刊 2019。[論文]
- AIOps 故障管理方法綜述，發表於 TIST 2021。[論文]
- 序列式（最快）變化檢測：經典結果與新方向，發表於 IEEE 信息理論領域選集期刊 2021。[論文]
- 時間數據的離群點檢測：綜述，發表於 TKDE'13。[論文]
- 離散序列的異常檢測：綜述，發表於 TKDE'12。[論文]
- 异常检测：综述，发表于 CSUR'09。[论文]
時間序列分類調查
AI4TS 2024 年論文
NeurIPS 2024
ICML 2024
ICLR 2024
时间序列预测
- Time-LLM：通过重编程大型语言模型进行时间序列预测 [论文] [官方代码]
- TEST：文本原型对齐嵌入以激活 LLM 的时间序列能力 [论文] [官方代码]
- TEMPO：基于提示的生成式预训练 Transformer 用于时间序列预测 [论文]
- DAM：用于预测的基础模型 [论文]
- CARD：通道对齐的鲁棒混合 Transformer 用于时间序列预测 [论文] [官方代码]
- Pathformer：具有自适应路径的多尺度 Transformer 用于时间序列预测 [论文] [官方代码]
- iTransformer：反转 Transformer 对时间序列预测有效 [论文] [官方代码]
- GAFormer：通过群体感知嵌入增强时间序列 Transformer [论文]
- Transformer 调制扩散模型用于概率性多元时间序列预测 [论文]
- RobustTSF：面向含异常值的鲁棒时间序列预测的理论与设计 [论文] [官方代码]
- ModernTCN：一种用于通用时间序列分析的现代纯卷积结构 [论文]
- TimeMixer：用于时间序列预测的可分解多尺度混合 [论文]
- FITS：用 1 万参数建模时间序列 [论文]
- 多分辨率扩散模型用于时间序列预测 [论文]
- MG-TSD：具有引导学习过程的多粒度时间序列扩散模型 [论文]
- 可解释的稀疏系统辨识：超越近期深度学习技术的时间序列预测 [论文]
- TACTiS-2：更好、更快、更简单的注意力型 Copula 用于多元时间序列 [论文]
- 向透明的时间序列预测迈进 [论文]
- 带有缺失值的时间序列预测的偏置时序卷积图网络 [论文]
- 重新思考多元时间序列预测中的通道依赖性：从领先指标中学习 [论文]
- VQ-TR：用于时间序列预测的向量量化注意力 [论文]
- Copula Conformal 预测用于多步时间序列预测 [论文]
- ClimODE：基于物理信息的神经 ODE 进行气候预测 [论文]
- STanHop：用于记忆增强型时间序列预测的稀疏串联 Hopfield 模型 [论文]
- T-Rep：使用时间嵌入进行时间序列表示学习 [论文]
- 长期序列预测中的周期性解耦框架 [论文]
- 自监督对比学习预测 [论文]
其他
- 通过对比和局部稀疏扰动解释时间序列 [论文] [官方代码]
- CausalTime：为因果发现基准测试而真实生成的时间序列 [论文] [官方代码]
- SocioDojo：利用真实世界文本和时间序列构建终身分析代理 [论文]
- 面向具有不规则和尺度不变模式的金融时间序列的生成式学习 [论文]
- 在分析不规则时间序列数据时使用稳定的神经随机微分方程 [论文]
- 时间序列的软对比学习 [论文]
- 基于检索的重建用于时间序列对比学习 [论文]
- 向增强时间序列对比学习迈进：一种动态坏样本挖掘方法 [论文]
- Diffusion-TS：用于通用时间序列生成的可解释扩散 [论文]
- 通过基于对比的 l-变分推断解缠时间序列表示 [论文]
- 利用生成模型实现神经时间序列数据的无监督对齐 [论文]
- 条件信息瓶颈方法用于时间序列插补 [论文]
- 通过 Koopman VAEs 对规则和不规则时间序列数据进行生成建模 [论文]
- 学习独立嵌入时间序列片段 [论文]
- 时间序列对比学习的参数化增强 [论文]
- 基于多实例学习的固有可解释时间序列分类 [论文]
KDD 2024
WWW 2024
时间序列预测
时间序列异常检测
- LARA：一种轻量级且防过拟合的无监督时间序列异常检测重训练方法 [论文]
- 重新审视VAE在无监督时间序列异常检测中的应用：从频率角度出发 [论文]
- 打破时间序列异常检测中时频粒度不匹配的问题 [论文]
其他
AAAI 2024
时间序列预测
- U-Mixer：一种带有平稳性校正的Unet-Mixer架构，用于时间序列预测 [论文]
- HDMixer：一种具有可扩展补丁的层次化依赖结构，用于多变量时间序列预测 [论文]
- 利用变分层次Transformer考虑多变量时间序列中的非平稳性进行预测 [论文]
- 基于极坐标表示的学习：一种极端自适应的长期时间序列预测模型 [论文]
- MSGNet：学习多尺度序列间相关性，用于多变量时间序列预测 [论文]
- 用于概率性时间序列预测的潜在扩散Transformer [论文]
- 用于交通流量预测的时空关键图神经网络 [论文]
时间序列分类、聚类、异常检测
- 面向多变量时间序列分类的图感知对比学习 [论文]
- 基于扩散语言形状子的时间序列半监督分类 [论文]
- 基于注意力功率迭代的节能流式时间序列分类 [论文]
- 跨领域对比学习用于时间序列聚类 [论文]
- 当模型遇到新常态时：无监督时间序列异常检测中的测试时自适应 [论文]
其他
- TimesURL：用于通用时间序列表征学习的自监督对比学习 [论文]
- GraFITi：利用图结构预测不规则采样时间序列 [论文]
- IVP-VAE：使用初值问题求解器建模电子健康记录时间序列 [论文]
- SimPSI：一种在时间序列数据增强中保留谱信息的简单策略 [论文]
- CGS-Mask：让所有人都能直观地进行时间序列预测 [论文]
- CUTS+：从不规则时间序列中进行高维因果发现 [论文]
- 用于多变量时间序列数据的全连接时空图 [论文]
AI4TS论文2023年
NeurIPS 2023
时间序列预测
- OneNet：通过在线集成增强应对概念漂移的时间序列预测模型 [论文]
- 一网打尽：基于预训练语言模型的强大通用时间序列分析 [论文]
- 大型语言模型是零样本时间序列预测器 [论文]
- BasisFormer：基于注意力机制、可学习且可解释基底的时间序列预测 [论文]
- ContiFormer：用于不规则时间序列建模的连续时间Transformer [论文]
- FourierGNN：从纯图视角重新思考多变量时间序列预测 [论文]
- 频域MLP在时间序列预测中是更有效的学习者 [论文]
- 非平稳时间序列预测中的自适应归一化：时间切片视角 [论文]
- WITRAN：用于长时距时间序列预测的水波信息传输与循环加速网络 [论文]
- 预测、精炼、合成：用于概率性时间序列预测的自引导扩散模型 [论文]
- 用于时间序列预测的共形PID控制 [论文]
- SimMTM：一种用于掩码时间序列建模的简单预训练框架 [论文]
- Koopa：利用库普曼预测器学习非平稳时间序列动态 [论文]
时间序列异常检测、分类
- 漂移无关紧要：基于扩散重建的动态分解方法，用于不稳定多变量时间序列异常检测 [论文]
- 基于点/序列重建的名义性得分条件下的时间序列异常检测 [论文]
- MEMTO：面向多变量时间序列异常检测的记忆引导Transformer [论文]
- 将时间序列视为图像：用于不规则采样时间序列的视觉Transformer [论文]
- 尺度教学：针对带噪声标签的时间序列分类的鲁棒多尺度训练 [论文]
其他
- 基于代理变量的子采样时间序列因果发现 [论文]
- 半平稳时间序列中的因果发现 [论文]
- 通过自监督模型行为一致性编码时间序列解释 [论文]
- 针对时间序列数据的稀疏深度学习：理论与应用 [论文]
- CrossGNN：通过交叉交互精炼来应对多变量时间序列中的噪声 [论文]
- WildfireSpreadTS：用于野火蔓延预测的多模态时间序列数据集 [论文]
- 基于现代霍普菲尔德网络的时间序列共形预测 [论文]
- 基于非线性向量自回归延迟嵌入的时间序列核函数 [论文]
- 关于约束时间序列生成问题的研究 [论文]
- 对比一切：面向医学时间序列的多粒度表征学习 [论文]
- 在混沌中寻找秩序：一种用于对比学习的时间序列新型数据增强方法 [论文]
- FOCAL：在因子化正交潜在空间中进行多模态时间序列传感信号的对比学习 [论文]
- BioMassters：用于基于多模态卫星时间序列估算森林生物量的基准数据集 [[论文]](https://neurips.cc/virtual/2023/poster/73499
ICML 2023
时间序列预测
- 针对时间序列预测的深度时间索引模型学习 [论文]
- 多变量概率预测评估中的可靠性区域 [论文]
- 学习集成策略的理论保证及其在时间序列预测中的应用 [论文]
- 用于多变量时间序列预测的特征编程 [论文]
- 非自回归条件扩散模型用于时间序列预测 [论文]
时间序列异常检测、分类、插补及可解释AI
- 面向原型的无监督多变量时间序列异常检测 [论文]
- 面向缺失数据的时间序列分类的概率插补 [论文]
- 可证明收敛的薛定谔桥及其在概率性时间序列插补中的应用 [论文]
- 带有反事实解释的自我可解释时间序列预测 [论文]
- 学习扰动以解释时间序列预测 [论文]
其他时间序列分析
- 使用随机过程扩散将时间数据建模为连续函数 [论文]
- 用于时间序列分析的神经随机微分博弈 [论文]
- 用于时间序列结构发现的序贯蒙特卡洛学习 [论文]
- 面向时间序列标签稀疏性的上下文一致性正则化 [论文]
- 面向时间序列的序贯预测性合意推断 [论文]
- 通过强自适应在线学习改进的在线合意预测 [论文]
- 面向临床时间序列的序贯多维自监督学习 [论文]
- SOM-CPC：利用自组织映射进行无监督对比学习，用于高采样率时间序列的结构化表示 [论文]
- 面向特征和标签漂移的时间序列领域自适应 [论文]
- 用于时间序列生成的深度潜在状态空间模型 [论文]
- 用于不规则采样时间序列的神经连续-离散状态空间模型 [论文]
- 面向分布外运动预测的生成式因果表征学习 [论文]
- 用于学习混沌动力学的广义教师强制 [论文]
- 学习稀疏观测相互作用系统的动力学 [论文]
- 马尔可夫高斯过程变分自编码器 [论文]
- ClimaX：气象与气候的基础模型 [论文]
ICLR 2023
时间序列预测
- 一条时间序列胜过64个词：基于Transformer的长期预测 [论文] [官方代码]
- Crossformer：利用跨维度依赖进行多变量时间序列预测的Transformer [论文] [官方代码]
- Scaleformer：用于时间序列预测的迭代多尺度精炼Transformer [论文] [官方代码]
- MICN：用于长期序列预测的多尺度局部与全局上下文建模 [论文] [官方代码]
- 用于少样本高维时间序列预测的序贯潜在变量模型 [论文] [官方代码]
- 为时间序列预测而学习快与慢 [论文] [官方代码]
- 面向具有时间分布变化的时间序列的库普曼神经算子预测器 [论文] [官方代码]
- 鲁棒的多变量时间序列预测：对抗攻击与防御机制 [论文] [官方代码]
时间序列异常检测与分类
其他时间序列分析
- 用简单的离散状态空间有效建模时间序列 [论文] [官方代码]
- TimesNet：面向通用时间序列分析的时序二维变异建模 [论文] [官方代码]
- 面向时间序列无监督领域自适应的对比学习 [论文] [官方代码]
- 递归式时间序列数据增强 [论文] [官方代码]
- 基于解耦时空表征的多变量时间序列插补 [论文] [官方代码]
- 用于端到端学习对齐路径的深度声明式动态时间规整 [论文] [官方代码]
- Rhino：带有历史相关噪声的深度因果时序关系学习 [论文] [官方代码]
- CUTS：从非结构化时间序列数据中进行神经因果发现 [论文] [官方代码]
- 时间序列预测中特征重要性的时序依赖 [论文] [官方代码]
KDD 2023
时间序列异常检测
- DCdetector：用于时间序列异常检测的双注意力对比表示学习 [论文] [官方代码]
- 基于插补的时间序列异常检测：条件权重增量扩散模型 [论文] [官方代码]
- 非规则时间序列的异常前兆检测 [论文]
时间序列预测
- 当刚性带来负面影响：概率层次化时间序列预测中的软一致性正则化
- TSMixer：用于多变量时间序列预测的轻量级MLP-Mixer模型 [论文]
- 层次代理建模在时间序列预测中改进超参数优化的应用
- 用于多变量时间序列建模的稀疏二值Transformer [论文] [官方代码]
- 交互式广义加性模型及其在电力负荷预测中的应用
时间序列预测（交通）
时间序列插补
其他
- 用于余震检测的在线少样本时间序列分类 [论文] [官方代码]
- 利用时间序列动力学进行临床多变量时间序列的自监督分类
- Warpformer：一种用于不规则临床时间序列的多尺度建模方法
- 无参数Spikelet：利用自适应时间序列表示发现不同长度和变形的时间序列模式
- FLAMES2Graph：一个可解释的联邦多变量时间序列分类框架
- WHEN：一种小波-DTW混合注意力网络，用于异构时间序列分析
AAAI 2023
时间序列预测
- AirFormer：使用Transformer预测中国全国空气质量 [论文] [官方代码]
- Dish-TS：缓解时间序列预测中分布偏移的一般范式 [论文] [官方代码]
- WaveForM：用于多变量时间序列长序列预测的图增强小波学习 [论文] [官方代码]
- Transformer是否适用于时间序列预测 [论文] [官方代码]
- 使用稀疏但信息丰富的变量进行预测：以血糖预测为例 [论文] [官方代码]
- 基于概率增强LSTM神经网络的极端自适应时间序列预测模型 [论文] [官方代码]
- 用于交通预测的时空元图学习 [论文] [官方代码]
其他时间序列分析
- 时间—频率协同训练：用于时间序列半监督学习 [论文] [官方代码]
- 多变量时间序列无监督域适应中的传感器对齐 [论文] [官方代码]
- 用于医学时间序列生成的因果循环变分自编码器 [论文] [官方代码]
- AEC-GAN：用于自回归长时序生成的对抗误差校正GAN [论文] [官方代码]
- SVP-T：一种基于形状层面变量位置变换的多变量时间序列分类变压器 [论文] [官方代码]
AI4TS论文集2022
NeurIPS 2022
时间序列预测
非平稳Transformer：重新思考时间序列预测中的平稳性 [论文]
Earthformer：探索用于地球系统预测的空间—时间Transformer [论文]
基于扩散、去噪与解耦合的生成式时间序列预测
学习潜藏的季节性—趋势表征以用于时间序列预测
WaveBound：动态误差约束以实现稳定的时间序列预测
时间维度与单纯复形共舞：基于Zigzag滤波曲线的超霍奇卷积网络用于时间序列预测
基于时间多项式图神经网络的多变量时间序列预测
C2FAR：从粗到细的自回归网络，用于精确的概率预测
使用任务推理进行元学习的动力学预测 [论文]
带有时间分位数调整的共形预测
其他时间序列分析
时间序列的因果解耦
BILCO：一种高效的时间序列联合对齐算法
用于时间序列分类的动态稀疏网络：学习“看”什么
AutoST：迈向时空序列的通用建模
GT-GAN：基于生成对抗网络的通用时间序列合成
利用时间序列特权信息高效学习非线性预测模型
对时空交通预测模型的实际对抗攻击
ICML 2022
时间序列预测
- FEDformer：用于长期序列预测的频率增强分解Transformer [论文] [官方代码]
- TACTiS：面向时间序列的Transformer注意力耦合模型 [论文] [官方代码]
- 基于波动率的核函数与移动平均均值，用于高斯过程的精确预测 [论文] [官方代码]
- 基于注意力共享的时间序列预测领域自适应 [论文]
- DSTAGNN：用于交通流量预测的动态时空感知图神经网络 [论文] [官方代码]
时间序列异常检测
- 用于多变量时间序列异常检测的深度变分图卷积循环网络 [论文]
其他时间序列分析
- 面向时间序列的自适应共形预测 [论文] [官方代码]
- 使用连续递归单元建模不规则时间序列 [论文] [官方代码]
- 基于迭代双线性时频融合的无监督时间序列表示学习 [论文]
- 从多模态时间序列中重建非线性动力系统 [论文] [官方代码]
- 利用专家特征进行时间序列表示的对比学习 [论文] [官方代码]
- 面向电子健康记录时间序列的基于聚类的特征重要性学习 [论文]
ICLR 2022
时间序列预测
- Pyraformer：用于长距离时间序列建模与预测的低复杂度金字塔型注意力机制 [论文] [官方代码]
- DEPTS：用于周期性时间序列预测的深度扩展学习 [论文] [官方代码]
- CoST：用于时间序列预测的解耦季节-趋势表示的对比学习 [论文] [官方代码]
- 可逆实例归一化，用于应对分布偏移的精确时间序列预测 [论文] [官方代码]
- TAMP-S2GCNets：将时间感知的多尺度知识表示与空间超图卷积网络相结合，用于时间序列预测 [论文] [官方代码]
- Back2Future：利用回填动态改进未来实时预测 [论文] [官方代码]
- 关于最大似然估计在回归与预测中的优势 [论文]
- 学会记忆模式：用于交通预测的模式匹配记忆网络 [论文] [官方代码]
时间序列异常检测
时间序列分类
其他时间序列分析
- 面向不规则采样多变量时间序列的图引导网络 [论文]
- 用于不规则采样时间序列的异方差时间变分自编码器 [论文]
- 不规则间隔事件及其参与者的Transformer嵌入 [论文]
- 填补空缺：基于图神经网络的多变量时间序列插补 [论文]
- PSA-GAN：用于生成合成时间序列的渐进式自注意力GAN [论文]
- 用于非平稳时间序列分析的Huber加法模型 [论文]
- LORD：对数签名在神经粗糙微分方程中的低维嵌入 [论文]
- 深度神经网络的嵌入 [论文]
- 基于一致性的时间序列标签传播，加速主动学习 [论文]
- 用于序列建模的长表达式记忆 [论文]
- 自回归分位数流用于预测不确定性估计 [论文]
- 基于有限元网络，从稀疏观测中学习物理系统的动力学行为 [论文]
- 用于有监督表示学习和少样本序列分类的时间对齐预测 [论文]
- 通过学习可解释的时间逻辑规则来解释点过程 [论文]
KDD 2022
时间序列预测
- 学习旋转：用于复杂周期性时间序列预测的四元数Transformer [代码]
- 学习多变量时间序列预测中的演化与多尺度图结构
- 预训练增强的多变量时间序列预测时空图神经网络
- 变量子集上的多变量时间序列预测
- Greykite：在LinkedIn大规模部署灵活的预测系统
时间序列异常检测
- 时间序列异常检测算法的局部评估
- 将时间序列异常检测扩展至数万亿数据点及超高速到达的数据流
其他时间序列/时空分析
- 面向任务的时间序列Transformer重建
- 朝着学习时间序列解耦表示的方向
- ProActive：用于活动序列的自注意力时序点过程流
- 非平稳、时间感知的核化注意力机制用于时序事件预测
- MSDR：用于时空预测的多步依赖关系网络
- Graph2Route：一种用于接送路线预测的动态时空图神经网络
- 不止于点预测：利用深度极值混合模型捕捉零膨胀与重尾的时空数据
- 基于时空混杂因子学习的鲁棒事件预测
- 通过自定步长图对比学习挖掘时空关系
- 基于跨城市知识迁移的时空图少样本学习
- 通过时空分解刻画新冠疫情波次
AAAI 2022
时间序列预测
- CATN：用于多变量时间序列预测的交叉注意力树感知网络 [论文]
- 基于强化学习的时间序列预测动态模型组合 [论文]
- DDG-DA：用于可预测概念漂移适应的数据分布生成 [论文] 官方代码]
- PrEF：基于Copula增强的状态空间模型的概率电力预测 [论文]
- LIMREF：针对预测的局部可解释、模型无关规则解释，并应用于电力智能电表数据 [论文]
- 亚季节气候预测的学习与动力学模型：比较与合作 [论文] [官方代码]
- CausalGNN：基于因果推理的时空流行病预测图神经网络 [论文]
- 用于时空气象预报的条件局部卷积 [论文] [官方代码]
- 用于交通预测的图神经控制微分方程 [论文] [官方代码]
- STDEN：迈向物理引导的神经网络用于交通流量预测 [论文] [官方代码]
时间序列异常检测
其他时间序列分析
- TS2Vec：迈向时间序列的通用表示 [论文] [官方代码]
- I-SEA：基于重要性采样和期望对齐的深度距离度量学习，用于时间序列分析与嵌入 [论文]
- 训练鲁棒的时间序列领域深度模型：新算法与理论分析 [论文]
- 条件损失与深度欧拉方案用于时间序列生成 [论文]
- 对区间删失时间序列进行聚类以进行疾病表型分类 [论文]
IJCAI 2022
时间序列预测
- Triformer：三角形、变量特异性注意力机制，用于长序列多变量时间序列预测 [论文]
- 长期预测中的一致性概率聚合查询 [论文] [官方代码]
- 结合语义知识的正则化图结构学习，用于多变量时间序列预测
- DeepExtrema：一种用于预测时间序列数据块极大值的深度学习方法 [论文] [官方代码]
- 用于时间序列预测的记忆增强状态空间模型
- 基于多分辨率时空数据的物理信息驱动的长序列预测
- 基于动态多图注意力的长期时空预测 [论文] [官方代码]
- FOGS：基于学习图的第一阶梯度监督，用于交通流量预测
时间序列异常检测
- 神经上下文感知的时间序列异常检测 [论文]
- GRELEN：从图关系学习视角出发的多变量时间序列异常检测
时间序列分类
- 基于强化学习的信息模式挖掘框架，用于多变量时间序列分类 [论文]
- T-SMOTE：面向时间的合成少数类过采样技术，用于不平衡时间序列分类
SIGMOD VLDB ICDE 2022
时间序列预测
- METRO：用于多变量时间序列预测的通用图神经网络框架，VLDB'22。[论文] [官方代码]
- AutoCTS：自动相关时间序列预测，VLDB'22。[论文]
- 面向时空感知的交通时间序列预测，ICDE'22。[论文] [官方代码]
时间序列异常检测
- Sintel：从信号中提取洞察的机器学习框架，SIGMOD'22。[论文] [官方代码]
- TSB-UAD：单变量时间序列异常检测的端到端基准测试套件，VLDB'22。[论文] [官方代码]
- TranAD：用于多变量时间序列数据异常检测的深度变换网络，VLDB'22。[论文] [官方代码]
- 基于多样性驱动卷积集成的无监督时间序列离群点检测，VLDB'22。[论文]
- 用于时间序列离群点检测的鲁棒且可解释的自编码器，ICDE'22。[论文]
- 基于鲁棒变分拟循环自编码器的时间序列异常检测，ICDE'22。
时间序列分类
其他时间序列分析
其他2022年
时间序列预测
- CAMul：校准且准确的多视角时间序列预测，WWW'22。[论文] [官方代码]
- 带置信度估计的多粒度残差学习用于时间序列预测，WWW'22。[论文]
- RETE：基于统一查询产品进化图的检索增强型时间事件预测，WWW'22。[论文]
- 鲁棒的概率性时间序列预测，AISTATS'22。[论文] [官方代码]
- 用于无分布假设时间序列预测的学习不交叉分位数函数，AISTATS'22。[论文]
时间序列异常检测
- TFAD：结合时频分析的分解式时间序列异常检测架构，CIKM'22。[论文] [官方代码]
- 基于层次化潜在因子的深度生成模型用于时间序列异常检测，AISTATS'22。[论文] [官方代码]
- 用于在线系统的多变量时间序列半监督VAE主动异常检测框架，WWW'22。[论文]
其他时间序列分析
- 解耦时间序列的局部与全局表征，AISTATS'22。[论文] [官方代码]
- LIMESegment：有意义、真实的时间序列解释，AISTATS'22。[论文]
- 利用时间序列特权信息进行可证明高效的预测模型学习，AISTATS'22。[论文] [官方代码]
- 带签名比率估计的昂贵时间序列模拟器的摊销似然自由推断，AISTATS'22。[论文] [官方代码]
- EXIT：基于外推与插值的神经控制微分方程用于时间序列分类和预测，WWW'22。[论文]
AI4TS论文2021年
NeurIPS 2021
时间序列预测
- Autoformer：具有自相关性的分解Transformer用于长期序列预测 [论文] [官方代码]
- MixSeq：将宏观时间序列预测与微观时间序列数据相结合 [论文]
- 同余时间序列预测 [论文] [官方代码]
- 概率预测：基于水平集的方法 [论文]
- 针对时间序列预测的拓扑注意力 [论文]
- 当存疑时：用于流行病预测的神经非参数不确定性量化 [论文] [官方代码]
- 莫纳什时间序列预测档案 [论文] [官方代码]
时间序列异常检测
其他时间序列分析
- 用于时间序列分析的概率Transformer [论文]
- 用于时空表征学习的移位分块Transformer [论文]
- 用于时间序列的深度显式持续时间切换模型 [论文] [官方代码]
- 基于对比模仿的时间序列生成 [论文]
- CSDI：用于概率性时间序列插补的条件分数驱动扩散模型 [论文] [官方代码]
- 在时间序列神经网络中调整自相关误差 [论文] [官方代码]
- SSMF：移动季节性矩阵分解 [论文] [官方代码]
- 用于时间序列聚类的核集 [论文]
- 神经流：神经ODE的有效替代方案 [论文] [官方代码]
- 时空变分高斯过程 [论文] [官方代码]
- Drop-DTW：在剔除异常值的同时对齐序列间的共同信号 [论文] [官方代码]
ICML 2021
时间序列预测
- 用于多变量概率时间序列预测的自回归去噪扩散模型 [论文] [官方代码]
- 分层时间序列一致性概率预测的端到端学习 [论文] [官方代码]
- 带有粒子流的RNN用于概率性时空预测 [论文] [官方代码]
- Z-GCNETs：图卷积网络中的时间之字形结构用于时间序列预测 [论文] [官方代码]
- 通过子组采样降低预测模型训练中的方差 [论文]
- 使用动态掩码解释时间序列预测 [论文] [官方代码]
- 动态时间序列的同余预测区间 [论文] [官方代码]
时间序列异常检测
其他时间序列分析
- Voice2Series：为时间序列分类重新编程声学模型 [论文] [官方代码]
- 用于长时序的神经粗糙微分方程 [论文] [官方代码]
- 神经时空点过程 [论文] [官方代码]
- 学习常微分方程的神经事件函数 [论文] [官方代码]
- 用于时间序列建模的卷积架构近似理论 [论文]
- Whittle网络：一种用于时间序列的深度似然模型 [论文] [官方代码]
- 具有潜在共同原因的时间序列中因果特征选择的必要和充分条件 [论文]
ICLR 2021
时间序列预测
其他时间序列分析
- Clairvoyance：面向医疗时间序列的流水线工具包 [论文] [官方代码]
- 基于时间邻域编码的时间序列无监督表征学习 [论文] [官方代码]
- 面向不规则采样时间序列的多时间注意力网络 [论文] [官方代码]
- 基于傅里叶流的生成式时间序列建模 [论文] [官方代码]
- 可微分的序列分割 [论文] [幻灯片] [官方代码]
- 神经ODE过程 [论文] [官方代码]
- 基于随机微分网络学习连续时间动力学 [论文] [官方代码]
KDD 2021
时间序列预测
- ST-Norm：用于多变量时间序列预测的空间-时间归一化 [论文] [官方代码]
- 用于云资源分配的图深度因子预测方法 [论文]
- 深度时空预测中的不确定性量化 [论文]
- 用于交通流量预测的空间-时间图ODE网络 [论文] [官方代码]
- TrajNet：基于轨迹的交通预测深度学习模型 [论文]
- 用于交通速度预测的动态多维度时空深度学习 [论文]
时间序列异常检测
- 基于层次化指标间与时间嵌入的多变量时间序列异常检测与解释 [论文] [官方代码]
- 异步多变量时间序列异常检测与定位的实用方法 [论文] [官方代码]
- 基于神经系统辨识和贝叶斯滤波的网络物理系统时间序列异常检测 [论文] [官方代码]
- 多尺度单类循环神经网络用于离散事件序列异常检测 [论文] [官方代码]
其他时间序列分析
- 基于Transformer框架的多变量时间序列表征学习 [论文] [官方代码]
- 用于时间序列分析的因果可解释规则 [论文]
- MiniRocket：一种快速（几乎）确定性的时间序列分类变换 [论文] [官方代码]
- 统计模型耦合可用于复杂的局部多变量时间序列分析 [论文]
- 用于时间序列数据的快速且精确的部分傅里叶变换 [论文] [官方代码]
- 用于数据序列相似性搜索的深度学习嵌入 [论文] [链接]
AAAI 2021
时间序列预测
- Informer：超越高效Transformer的长序列时间序列预测 [:论文] [:官方代码]
- 深度切换自回归分解模型：应用于时间序列预测 [:论文] [:官方代码]
- 基于动态高斯混合的深度生成模型，用于稀疏多变量时间序列的鲁棒预测 [:论文] [:官方代码]
- 时间潜变量自编码器：一种概率性多变量时间序列预测方法 [:论文]
- 异构时间序列的协同学习，用于多步长概率预测 [:论文]
- 元学习框架及其在零样本时间序列预测中的应用 [:论文]
- 注意力神经点过程用于事件预测 [:论文] [:官方代码]
- 基于循环神经ODE的水库入流量预测 [:论文]
- 用于交通流量预测的层次图卷积网络 [:论文]
- 基于时空图扩散网络的交通流量预测 [:论文] [:官方代码]
- 用于交通流量预测的时空融合图神经网络 [:论文] [:官方代码]
- FC-GAGA：用于时空交通预测的全连接门控图架构 [:论文] [:官方代码]
- 预测与线性动力系统学习中的公平性 [:论文]
- 基于立方体扰动的多步马尔可夫条件前向模型，用于极端天气预报 [:论文]
- 基于机器学习的次季节气候预测：挑战、分析与进展 [:论文]
时间序列异常检测
时间序列分类
- 相关通道感知融合用于多视角时间序列分类 [:论文]
- 可学习的动态时间池化用于时间序列分类 [:论文] [:官方代码]
- ShapeNet：基于形状子神经网络的多变量时间序列分类方法 [:论文]
- 双重增强联合标签学习用于时间序列分类 [:论文]
其他时间序列分析
- 基于稀疏关联结构对齐的时间序列领域适应 [:论文] [:官方代码]
- 不完全时间序列聚类的表示学习 [:论文]
- 用于多变量时间序列插补的生成式半监督学习 [:论文] [:官方代码]
- 用于学习具有结构突变的时间序列的二阶技术 [:论文]
IJCAI 2021
时间序列预测
- 一石二鸟：序列显著性用于准确且可解释的多变量时间序列预测 [:论文]
- 基于图神经网络注意力迁移的居民用电负荷预测 [:论文]
- 用于股票趋势预测的层次自适应时序关系建模 [:论文]
- TrafficStream：基于图神经网络和持续学习的流式交通流量预测框架 [:论文] [:官方代码]
其他时间序列分析
- 面向深度学习的时间序列数据增强：综述 [:论文]
- 基于时间和上下文对比的时间序列表示学习 [:论文] [:官方代码]
- 非监督时间序列领域适应的对抗性谱核匹配 [:论文] [:官方代码]
- 适用于时间序列建模的时间感知多尺度RNN [:论文]
- TE-ESN：基于不规则采样时间序列数据的时序编码回声状态网络预测 [:论文]
SIGMOD VLDB ICDE 2021
时间序列预测
- AutoAI-TS：面向时间序列预测的AutoAI，SIGMOD'21。[论文]
- FlashP：用于实时预测时间序列关系数据的分析流水线，VLDB'21。[论文]
- MDTP：一种基于时空轨迹数据的多源深度交通预测框架，VLDB'21。[论文]
- EnhanceNet：用于增强相关性时间序列预测的插件神经网络，ICDE'21。[论文] [幻灯片]
- 一种有效的出行需求与交通流量联合预测模型，ICDE'21。[论文]
时间序列异常检测
其他时间序列分析
- RobustPeriod：鲁棒的时频挖掘用于多周期性检测，SIGMOD'21。[论文] [代码]
- ORBITS：多时间序列流中缺失值的在线恢复，VLDB'21。[论文] [官方代码]
- 多维时间序列中的缺失值填补，VLDB'21。[论文]
杂项 2021
时间序列预测
- DeepFEC：面向智慧城市的实际驾驶条件下能耗预测，WWW'21。[论文] [官方代码]
- AutoSTG：用于时空图预测的神经架构搜索，WWW'21。[论文] [官方代码]
- REST：时空耦合预测的互惠框架，WWW'21。[论文]
- 分层相关时间序列的同步分位数预测，AISTATS'21。[论文]
- SSDNet：用于时间序列预测的状态空间分解神经网络，ICDM'21。[论文]
- AdaRNN：时间序列的自适应学习与预测，CIKM'21。[论文] [官方代码]
- 学习预测未来：时间序列预测中的概念漂移建模，CIKM'21。[论文]
- 基于多粒度数据的股票趋势预测：一种带有自适应融合的对比学习方法，CIKM'21。[论文]
- DL-Traff：城市交通预测深度学习模型综述与基准测试，CIKM'21。[论文] [官方代码1] [官方代码2]
- 基于时间点过程的长 horizon 预测，WSDM'21。[论文] [官方代码]
- 基于演化状态图的时间序列事件预测，WSDM'21。[论文] [官方代码]。
时间序列异常检测
- SDFVAE：用于多变量CDN KPI异常检测的静态与动态因子化VAE，WWW'21。[论文]
- 基于自监督对比预测编码的时间序列变点检测，WWW'21。[论文] [官方代码]
- FluxEV：一种快速有效的无监督时间序列异常检测框架，WSDM'21。[论文]
- 基于动态时间规整的弱监督时间序列异常分割，ICCV'21。[论文] [官方代码]
- 面向在线服务系统的多变量时间序列异常检测的快速启动，ATC'21。[论文]
其他时间序列分析
- 张量时间序列网络，WWW'21。[论文] [官方代码]
- Radflow：一种用于时间序列网络的循环、聚合与分解模型，WWW'21。[论文] [官方代码]
- SrVARM：状态正则化的向量自回归模型，用于从多变量时间序列中联合学习隐藏状态转移和状态依赖的变量间依赖关系，WWW'21。[论文]
- 用于自注意力点过程的深度傅里叶核，AISTATS'21。[论文]
- 时间序列之间的可微散度，AISTATS'21。[论文] [官方代码]
- 在不可比较空间上对齐时间序列，AISTATS'21。[论文] [官方代码]
- 针对输入维度可变的多变量时间序列任务的持续学习，ICDM'21。[论文]
- 向生成真实世界时间序列数据迈进，ICDM'21。[论文] [官方代码]
- 学习显著性图以解释深度时间序列分类器，CIKM'21。[论文] [官方代码]
- 城市多变量时间序列中的可操作洞察，CIKM'21。[论文]
- 可解释的多变量时间序列分类：一种能够同时关注重要变量和信息丰富时段的深度神经网络，WSDM'21。[论文]
AI4TS 论文 201X-2020 精选
NeurIPS 201X-2020
时间序列预测
- 面向时间序列预测的对抗稀疏Transformer，NeurIPS'20。[论文] [官方代码]
- 用于多变量时间序列预测的谱时空图神经网络，NeurIPS'20。[论文] [官方代码]
- 用于时间序列预测的深度Rao-Blackwell化粒子滤波器，NeurIPS'20。[论文]
- 基于形状和时间多样性的概率性时间序列预测，NeurIPS'20。[论文] [官方代码]
- 用于交通流量预测的自适应图卷积循环网络，NeurIPS'20。[论文] [官方代码]
- 用于新冠肺炎预测的可解释序列学习，NeurIPS'20。[论文]
- 提升Transformer在时间序列预测中的局部性并突破内存瓶颈，NeurIPS'19。[论文] [代码]
- 全局思考，局部行动：一种用于高维时间序列预测的深度神经网络方法，NeurIPS'19。[论文] [官方代码]
- 使用低秩高斯Copula过程进行高维多变量预测，NeurIPS'19。[论文] [官方代码]
- 用于时间序列预测的深度状态空间模型，NeurIPS'18。[论文]
- 用于高维时间序列预测的时序正则化矩阵分解，NeurIPS'16。[论文]
时间序列异常检测
- 基于时序层次单类网络的时间序列异常检测，NeurIPS'20。[论文]
- PIDForest：通过部分识别进行异常检测，NeurIPS'19。[论文] [官方代码]
- 时间序列的精确率与召回率，NeurIPS'18。[论文] [官方代码]
时间序列分类
- 浅层RNN：在资源受限设备上实现准确的时间序列分类，NeurIPS'19。[论文]
时间序列聚类
时间序列插补
- NAOMI：非自回归多分辨率序列插补，NeurIPS'19。[论文] [官方代码]
- BRITS：面向时间序列的双向递归插补，NeurIPS'18。[论文] [官方代码]
- 使用生成对抗网络进行多变量时间序列插补，NeurIPS'18。[论文] [官方代码]
时间序列神经xDE
- 用于不规则时间序列的神经控制微分方程，NeurIPS'20。[论文] [官方代码]
- GRU-ODE-Bayes：对零星观测的时间序列进行连续建模，NeurIPS'19。[论文] [官方代码]
- 用于不规则采样时间序列的潜在常微分方程，NeurIPS'19。[论文] [官方代码]
- 神经常微分方程，NeurIPS'18。[论文] [官方代码]
时间序列通用分析
- 对具有潜在混杂因素的自相关时间序列进行高召回率的因果发现，NeurIPS'20。[论文] [论文2] [官方代码]
- 时间序列预测中深度学习可解释性的基准测试，NeurIPS'20。[论文] [官方代码]
- 出了什么问题？什么时候出的问题？针对时间序列黑箱模型的实例级特征重要性，NeurIPS'20。[论文] [官方代码]
- 用于多变量时间序列分析的归一化卡尔曼滤波器，NeurIPS'20。[论文]
- 用于多变量时间序列的无监督可扩展表示学习，NeurIPS'19。[论文] [官方代码]
- 时间序列生成对抗网络，NeurIPS'19。[论文] [官方代码]
- U-Time：一种应用于睡眠分期的时间序列分割全卷积网络，NeurIPS'19。[论文] [官方代码]
- Autowarp：利用序列自编码器从无标签时间序列中学习变形距离，NeurIPS'18。[论文]
- 基于高斯过程的时间序列建模的安全主动学习，NeurIPS'18。[论文]
ICML 201X-2020
通用时间序列分析
- 从不规则采样时间序列中学习：基于缺失数据的视角，ICML'20。[论文] [官方代码]
- 时间序列的集合函数，ICML'20。[论文] [官方代码]
- 时间序列去混杂器：在存在隐藏混杂因素的情况下估计随时间变化的治疗效应，ICML'20。[论文] [官方代码]
- 平稳时间序列的谱子采样MCMC，ICML'20。[论文]
- 时间序列的可学习分组变换，ICML'20。[论文]
- 基于状态空间模型的非平稳环境中的因果发现与预测，ICML'19。[论文] [官方代码]
- 发现多时间序列的潜在协方差结构，ICML'19。[论文]
- 用于异步时间序列的自回归卷积神经网络，ICML'18。[论文] [官方代码]
- 用于多速率多变量时间序列的层次化深度生成模型，ICML'18。[论文]
- 软DTW：一种针对时间序列的可微损失函数，ICML'17。[论文] [官方代码]
时间序列预测
- 使用一致Koopman自编码器进行序列数据预测，ICML'20。[论文] [官方代码]
- 对概率自回归预测模型的对抗攻击，ICML'20。[论文] [官方代码]
- 基于高斯过程的流感预测框架，ICML'20。[论文]
- 用于预测的深度因子，ICML'19。[论文]
- 层次化时间序列的一致性概率预测，ICML'17。[论文]
ICLR 201X-2020
通用时间序列分析
时间序列预测
- N-BEATS：用于可解释时间序列预测的神经基扩展分析，ICLR'20。[论文] [官方代码]
- 扩散卷积循环神经网络：数据驱动的交通流量预测，ICLR'18。[论文] [官方代码]
- 自动推断时空预测中的数据质量，ICLR'18。[论文]
KDD 201X-2020
通用时间序列分析
- Fast RobustSTL：针对具有复杂模式的时间序列的高效稳健季节性趋势分解，KDD'20。[论文] [代码]
- 基于弱监督的多源深度域适应方法在时间序列传感器数据中的应用，KDD'20。[论文] [官方代码]
- 在线遗忘型DTW算法用于实时黄金批次监控，KDD'19。[论文]
- 多级小波分解网络用于可解释的时间序列分析，KDD'18。[论文]
- 基于托普利茨逆协方差矩阵的多元时间序列数据聚类，KDD'17。[论文]
时间序列预测
- 连接各点：基于图神经网络的多元时间序列预测，KDD'20。[论文] [官方代码]
- 基于注意力机制的多模态新产品销售时间序列预测，KDD'20。[论文]
- 水电发电量演变趋势预测，KDD'20。[论文]
- 时间序列预测中极端事件建模，KDD'19。[论文]
- 基于时序注意力学习的多步长时间序列预测，KDD'19。[论文]
- 无需无偏条件的分层预测正则化回归，KDD'19。[论文]
- 使用自适应循环单元对深度预测模型进行流式适应，KDD'19。[论文] [官方代码]
- 针对随时间演化的数据流的动态建模与预测，KDD'19。[论文] [官方代码]
- DeepUrbanEvent：用于预测大型活动期间城市范围人群动态的系统，KDD'19。[论文] [官方代码]
- 通过发现多频交易模式进行股票价格预测，KDD'17。[论文] [官方代码]
时间序列异常检测
- USAD：面向多元时间序列的无监督异常检测，KDD'20。[论文] [官方代码]
- RobustTAD：基于分解和卷积神经网络的稳健时间序列异常检测，KDD'20 MiLeTS。[论文]
- 通过随机递归神经网络实现的多元时间序列稳健异常检测，KDD'19。[论文] [官方代码]
- 微软公司的时间序列异常检测服务，KDD'19。[论文]
- 利用LSTM和非参数动态阈值法检测航天器异常，KDD'18。[论文] [官方代码]
- 基于极值理论的流式异常检测，KDD'17。[论文]
AAAI 201X-2020
通用时间序列分析
- Time2Graph：利用动态形状子串重新审视时间序列建模，AAAI'20。[论文] [官方代码]
- DATA-GRU：用于不规则多变量时间序列的双注意力时序感知门控循环单元，AAAI'20。[论文]
- 带自适应共享记忆的张量化LSTM用于学习多变量时间序列中的趋势，AAAI'20。[论文] [官方代码]
- 不完全多模态时间序列中深度马尔可夫模型的因子化推理，AAAI'20。[论文] [官方代码]
- 基于度量学习的智能建筑中传感器时间序列间关系推断，AAAI'20。[论文]
- TapNet：基于注意力原型网络的多变量时间序列分类，AAAI'20。[论文] [官方代码]
- RobustSTL：一种适用于长时序数据的鲁棒季节性-趋势分解方法，AAAI'19。[论文] [代码]
- 从部分观测时间序列中估计因果效应，AAAI'19。[论文]
- 针对活动时间序列的对抗式无监督表示学习，AAAI'19。[论文]
- 时间序列建模中周期核函数的傅里叶特征近似，AAAI'18。[论文]
时间序列预测
- 结合局部与全局时序动态的多变量时间序列缺失值预测，AAAI'20。[论文]
- 块汉克尔张量ARIMA用于多个短时序预测，AAAI'20。[论文] [官方代码]
- 空间-时间同步图卷积网络：一种新的时空网络数据预测框架，AAAI'20。[论文] [官方代码]
- 自注意力ConvLSTM用于时空预测，AAAI'20。[论文]
- 多范围注意力双组件图卷积网络用于交通流量预测，AAAI'20。[论文]
- 用于交通流量预测的空间-时间图结构学习，AAAI'20。[论文]
- GMAN：一种用于交通预测的图多注意力网络，AAAI'20。[论文] [官方代码]
- Cogra：面向时间序列预测的概念漂移感知随机梯度下降法，AAAI'19。[论文]
- 用于交通预测的动态空间-时间图卷积神经网络，AAAI'19。[论文]
- 基于注意力的空间-时间图卷积网络用于交通流预测，AAAI'19。[论文] [官方代码]
- MRes-RGNN：一种新颖的基于深度学习的交通预测框架，AAAI'19。[论文]
- DeepSTN+：上下文感知的空间-时间神经网络用于大都市人群流动预测，AAAI'19。[论文] [官方代码]
- 面向时空事件子类型预测的不完全标签多任务深度学习，AAAI'19。[论文]
- 学习异质性空间-时间表征以预测共享单车需求，AAAI'19。[论文]
- 用于网约车需求预测的空间-时间多图卷积网络，AAAI'19。[论文]
时间序列异常检测
IJCAI 201X-2020
通用时间序列分析
- RobustTrend：一种结合一阶和二阶差分正则化的Huber损失函数，用于时间序列趋势滤波，IJCAI'19。[论文]
- E2GAN：端到端生成对抗网络，用于多变量时间序列插补，IJCAI'19。[论文]
- 基于监督学习的时间序列因果推断，IJCAI'18。[论文]
时间序列预测
- PewLSTM：具有天气感知门控机制的周期性LSTM，用于停车行为预测，IJCAI'20。[论文] [官方代码]
- LSGCN：基于图卷积网络的长短期交通流量预测，IJCAI'20。[论文]
- 用于城市异常事件预测的交叉交互层次化注意力网络，IJCAI'20。[论文]
- 学习可解释的深度状态空间模型，用于概率型时间序列预测，IJCAI'19。[论文]
- 用于多变量时间序列预测的可解释深度神经网络，IJCAI'19。[论文]
- Periodic-CRN：一种用于预测具有周期性模式的人群密度的卷积循环模型。[论文]
- 空间-时间图卷积网络：一种用于交通流量预测的深度学习框架。[论文] [官方代码]
- LC-RNN：一种用于交通速度预测的深度学习模型。[论文]
- GeoMAN：用于地理传感时间序列预测的多级注意力网络，IJCAI'18。[论文] [官方代码]
- 针对用电模式分析与聚合一致性整合的层次化电力时间序列预测，IJCAI'18。[论文]
- NeuCast：电网时间序列的季节性神经网络预测，IJCAI'18。[论文] [官方代码]
- 用于时间序列预测的双阶段基于注意力的循环神经网络，IJCAI'17。[论文] [代码]
- 用于学习时间序列趋势的混合神经网络，IJCAI'17。[论文]
时间序列异常检测
- BeatGAN：利用对抗生成时间序列进行异常节律检测，IJCAI'19。[论文] [官方代码]
- 基于循环自编码器集成的时间序列异常检测，IJCAI'19。[论文] [官方代码]
- 流式时间序列的随机在线异常分析，IJCAI'17。[论文]
时间序列聚类
时间序列分类
- 一种用于多变量时间序列分类的新注意力机制，IJCAI'20。[论文]
SIGMOD VLDB ICDE 201X-2020
通用时间序列分析
- 揭穿关于时间序列距离度量的四个长期误解，SIGMOD'20。[论文] [官方代码]
- 利用时间序列分析和机器学习进行数据库工作负载容量规划，SIGMOD'20。[论文]
- 注意差距：时间序列中缺失值插补技术的实验评估，VLDB'20。[论文] [官方代码]
- 用于正例未标记时间序列分类的主动模型选择，ICDE'20。[论文] [官方代码]
- ExplainIt! -- 一种用于时间序列数据的声明式根本原因分析引擎，SIGMOD'19。[论文]
- Cleanits：一种用于工业时间序列的数据清洗系统，VLDB'19。[论文]
- Matrix Profile X：VALMOD - 可扩展地发现数据序列中的变长模式，SIGMOD'18。[论文]
- 有效发现时间序列数据中的时序依赖关系，VLDB'18。[论文]
时间序列异常检测
- Series2Graph：基于图的子序列异常检测方法，用于时间序列，VLDB'20。[论文] [官方代码]
- Neighbor Profile：无监督时间序列挖掘中的近邻袋装法，ICDE'20。[论文]
- 大规模序列中的自动化异常检测，ICDE'20。[论文] [官方代码]
- 用户驱动的带事件的时间序列错误检测，ICDE'20。[论文]
杂项 201X-2020
通用时间序列分析
- STFNets：基于短时傅里叶神经网络的时间—频域感知信号学习，WWW'19。[论文] [官方代码]
- GP-VAE：深度概率时间序列插补，AISTATS'20。[论文] [官方代码]
- DYNOTEARS：基于时间序列数据的结构学习，AISTATS'20。[论文]
- 基于知识迁移的可穿戴传感器时间序列个性化插补，CIKM'20。[论文]
- 用于多变量时间序列挖掘的保序度量学习，ICDM'20。[论文]
- 从不完整多变量时间序列中学习周期，ICDM'20。[论文]
- 时间序列序列到序列建模的基础，AISTATS'19。[论文]
时间序列预测
- 用于细粒度空间事件预测的层次化Transformer网络，WWW'20。[论文]
- HTML：基于层次化Transformer的波动率预测多任务学习，WWW'20。[论文] [官方代码]
- 基于时空图神经网络的交通流量预测，WWW'20。[论文]
- 向细粒度流量预测迈进：一种用于共享单车系统的图注意力方法，WWW'20。[论文]
- 用于金融预测的领域自适应多模态神经注意力网络，WWW'20。[论文]
- 用于股票走势预测的时空超图卷积网络，ICDM'20。[论文]
- 基于样条分位函数RNN的概率预测，AISTATS'19。[论文]
- DSANet：用于多变量时间序列预测的双自注意力网络，CIKM'19。[论文]
- RESTFul：面向行为时间序列数据的分辨率感知预测，CIKM'18。[论文]
- 基于注意力神经网络的波形变换时间序列预测，ICDM'18。[论文]
- 一种适用于具有季节性模式的层次化时间序列的灵活预测框架：以Web流量为例，SIGIR'18。[论文]
- 使用深度神经网络建模长短期时间模式，SIGIR'18。[论文] [官方代码]
时间序列异常检测
相似工具推荐
openclaw
OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。 这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。 OpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你
349.3k|★★★☆☆|昨天
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。
162.1k|★★★☆☆|2天前
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上
143.9k|★★☆☆☆|今天
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。
107.9k|★★☆☆☆|昨天
markitdown
MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。 在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。 这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器
93.4k|★★☆☆☆|昨天
LLMs-from-scratch
LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。 该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。 LLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备
90.1k|★★★☆☆|昨天