感知数据修订的时间序列基座模型VINTAGE-TS
针对宏观经济等统计机构常对历史发布数据进行事后修订、导致模型训练容易引入前瞻偏差的问题，研究人员提出了具备数据修订感知能力的时间序列基座模型VINTAGE-TS。该架构明确区分了“观察时间”与“信息可用时间”，避免将单一版本假定为最终真值，而是同时预测下一周期的首次发布值及其发布后固定时间跨度内的修订值，从而更贴合真实场景下的时序预测需求。
DC AI 热点
全部 AI 动态
9月25日2026-09-25
SGA：面向时间序列基础模型多步预测的不确定性量化方法
该论文针对时间序列基础模型（TSFM）在长周期多步预测中面临的固有不确定性问题展开研究。现有模型在各时间步衍生出的预测分支会向后续步骤扩散，导致预测表现不一并削弱了结果的可信度。为此，作者提出了切片-图化-对齐（SGA）方法来对该不确定性进行量化。因原始摘要结尾截断，关于 SGA 方法的具体机制与实验效果等信息不足。
R语言工具包fable.intermittent发布：用于间歇性时间序列的概率预测基准测试
针对备件需求与零售销售中常见的间歇性时间序列，由于预测误差成本通常不对称，库存控制等决策需要完整的概率分布而非单点预测。此前相关方法分散于不同软件框架中难以系统比较，该研究推出了R语言工具包fable.intermittent。该工具包在fable框架下集成了多种针对间歇性序列的概率预测方法，为相关领域的算法开发与标准化性能比对提供了统一工具。
9月24日2026-09-24
Signal2Symbol：用于可解释生理时间序列异常检测的神经符号时序推理框架
针对心电图（ECG）和脑电图（EEG）等生理时间序列在复杂时序结构与高决策透明度方面的需求，现有深度学习模型往往缺乏对异常原因及局部关联的可解释性。研究团队提出了一种名为 Signal2Symbol 的神经符号框架，旨在实现可解释的生物信号异常检测。该方法首先将连续的生理信号转化为符号序列，进而结合神经符号时序推理，提升检测决策的透明度与规律挖掘能力。
HARN：面向事件驱动多时间周期预测的分层联想共振网络
针对金融时间序列在多时间尺度预测中重复计算不变表征的难题，研究者提出了分层联想共振网络（HARN）。该模型专为事件驱动的多周期预测设计，通过在不同时间层级维护持久化表征，仅在对应周期的K线数据生成完成后才触发该层更新，显著避免了冗余计算。其架构综合了因果多尺度时间编码、门控联想记忆、跨层级共振以及分层证据聚合机制。
结合保形分位数回归的迁移学习框架：应对缺电数据匮乏下的光伏预测
针对频繁停电导致历史观测数据极度匮乏地区的光伏预测难题，本研究提出了一种结合保形分位数回归（CQR）的迁移学习框架。该方法首先基于澳大利亚爱丽斯泉的光伏数据集预训练时序预测模型，随后将其迁移适配到模拟的孟加拉国光伏数据中，以应对不同程度的数据缺失。实验表明，该框架在严重数据稀缺环境下显著提升了光伏功率预测能力，并提供了可靠的不确定性估计。