時空預測引領了新的熱點,時間序列預測領域的首個大模型 TimeGPT 引起業界熱議,Transformer+時序,擴散模型+時序更是頂會新方向大熱“種子”選手,時序+多方向正在成為這個AI界矚目的黑馬!
本文整理了時間序列的時序預測 / 時序-Transformer / 時序-大模型 / 時序-擴散四大方向的最新論文204篇。
掃碼回覆“時序”領論文新idea
預約25日晚20:00時序最新熱點解讀直播課

ICLR2024
ClimODE: Climate Forecasting With Physics-informed Neural ODEs
AAL2024
MSGNet: Learning Multi-Scale Inter-Serjes Correlations for Multivariate Time Series Forecasting
NeurIPS2023
Frequency-domain MLPs are More Effective Lea深度之眼整理rners in Time Series Forecasting
ICML 2023
Learning Deep Time-index Models for Time S深度之眼整理eries Forecasting
KDD 2023
TSMixer: Lightweight MLP-Mixer Model fo深度之眼整理r Multivariate Time Series Forecasting
因篇幅有限 僅展示前5篇
掃碼回覆“時序”領論文新idea
預約25日晚20:00時序最新熱點解讀直播課

1.iTransformer: InvertedTransformers Are Effective for Time Series Forecastina
2.Pathformer: Multi- Scale Transformers With Adaptive Pathways For Time Series Forecasting
3.SCALEFORMER: ITERATIVE MULTI-SCALE REFINING TRANSFORMERS FOR TIME
SERIESFORECASTING
4.InParformer: Evolutionary Decomposition Transformers with Interactive Parallel Attentionfor Long
Term Time Series Forecasting
5.ContiFormer: Continuous-Time Tansformer for Irreqular Time Series Modeling
因篇幅有限 僅展示前5篇
掃碼回覆“時序”領論文新idea
預約25日晚20:00時序最新熱點解讀直播課

卷積神經網路方法(4種演算法模型)
1.CNN
Recent advances in convolutional neural networks
2.WaveNet-CNN
Conditional time series forecasting with convolutional neural networks
3.Kmeans-CNN
Short-term load forecasting in smart grid: a combined CNN and K-means clustering approach
4.TCN
An empirical evaluation of generic convolutional and recurrent networks for sequence modeling
因篇幅有限 僅展示前4篇
迴圈神經網路方法(3種演算法模型)
1.RNN
Bidirectional recurrent neural networks
2.LSTM(長短期記憶網路)
Long short-term memory
3.GRU(門控迴圈單元)
Learning phrase representations using RNN encoder- decoder for statistical machine translation
Transformer方法(11種演算法模型)
1.Transformer
Attention-based models for speech recognition
2.BERT
BERT: pre-training of deep bidirectional transformers for language understanding
3.AST
Adversarial sparse transformer for time series forecasting
4.Informer
Informer: beyond efficient transformer for long sequence time-series forecasting
因篇幅有限 僅展示部分
掃碼回覆“時序”領論文新idea
預約25日晚20:00時序最新熱點解讀直播課

大模型處時間序列
1.基於Promtpt的方法
Leveraging Language Foundation Models for HumanMobility Forecasting
2.將時間序列進行離散化處理
AudioLM: a Language Modeling Approach to Audio Generation
3.時間序列-文字對齊代表論文
Open Vocabulary Electroencephalography-To-Text Decoding and Zero-shot Sentiment Classification
4.引入視覺資訊
Leveraging Vision-Language Models for Granul深度之眼整理tar Market Change Prediction
5.大模型工具
Unleashing the Power of Shared Label Structures for Human Activity Recognition
訓練時間序列領域大模型
TimetGPT-1
掃碼回覆“時序”領論文新idea
預約25日晚20:00時序最新熱點解讀直播課

針對目前的大熱時序,我們請來了頂會審稿人chichi老師,在4月25日晚20:00點,解讀時空/時序預測研究現狀與近期熱點。
本次直播大綱:
– 以GNN為主的時空預測模型
-
經典GNN時空預測演算法(如STGCN, GraphWaveNet)
-
近兩年GNN時空預測演算法
-
近期GNN時空預測演算法研究熱點
– 以Transformer為主的時序預測模型
-
經典Transformer時序預測演算法(如Autoformer,Fedformer)
-
近兩年Transformer時序預測演算法
-
近期Transformer時序預測演算法研究熱點
– LLM在時空/時序預測上的應用
-
微調LLM做時空時序預測
-
語言增強的時序/時空預測模型
-
LLM做時序預測的未來挑戰與研究方向
– 針對時序新熱點和應用總結
掃碼回覆“時序”領論文新idea
預約25日晚20:00時序最新熱點解讀直播課

另外,我們準備了32節時間序列系列課程基礎上,課程分為五個模組。
-
模組一基礎:認識資料科學家
-
模組二進階:時間序列預測概論+論文和程式碼講解
-
模組三專案實戰:基於股價和零售的時序專案實戰
-
模組四比賽實戰:資料科學入門賽+回答準確性預測賽
-
模組五時序前沿:前沿機器學習與時序+時序分析任務與最新應用場景
0.01元解鎖《時間序列系列課》
32節課+37h+部分課件+部分課堂作業及程式碼

瞭解資料科學家的概念,崗位分佈、職責、技能、薪資、職業發展路線等
—課程時長:1小時


1:時間序列預測入門
2:時間序列預測程式碼實踐
3:Forecasting at Scale論文講解+程式碼講解
—課程時長:6小時
1:夯實演算法基礎、熟悉演算法原理,透過程式碼實操解決問題
2:系統掌握時序分析方法以及預測方法
—課程時長:8小時


1:資料科學入門賽
2:回答準確性預測賽
—課程時長:20小時
前沿機器學習與時序
時序分析任務與最新應用場景
—課程時長:2小時

這次更新的時序課程時長37小時,總共32節,0.01元即可解鎖。
0.01元解鎖《時間序列系列課》
32節課+37h+部分課件+部分課堂作業及程式碼
