时序论文速递 | 12篇前沿论文包含：时间序列异常检测，时间序列预测等方向！（09.22-09.26）
本周精选12篇时间序列领域前沿论文，覆盖几个时序方向：时间序列异常检测，时间序列预测，时间序列生成，时间序列分类，时间序列评估与行业应用等方向。源码和论文感兴趣的dd!
原文、姿.料 这儿！
一、时间序列异常检测
1、Pi-Transformer: A Physics-informed Attention Mechanism for Time Series Anomaly Detection
作者：Sepehr Maleki, Negar Pourmoazemi
亮点：提出物理感知Transformer架构，设计双注意力路径（数据驱动序列注意力+光滑演化先验注意力），后者编码尺度自相似性、相位同步等时间不变性；训练时结合重建目标与散度项，确保双注意力既一致又有区分度；推理时融合对齐加权重建信号与相位失配信号，在SMD、MSL、SMAP等5个基准数据集上实现SOTA或极具竞争力的F1分数，尤其擅长检测时序与相位破坏型异常。
论文：https://arxiv.org/abs/2509.19985
开源代码：https://github.com/sepehr-m/Pi-Transformer
Comments：为物理感知异常检测领域重要创新
2、Periodic Graph-Enhanced Multivariate Time Series Anomaly Detector (PGMA)
作者：Jia Li, Shiyu Long, Ye Yuan
亮点：解决现有MTS异常检测依赖静态图结构、无法捕捉动态时空相关性的问题；提出基于FFT的周期时隙分配策略，使图结构随MTS动态变化；结合图神经网络与时间扩展卷积，精准提取周期图中的复杂时空特征；在4个真实应用数据集上，检测性能显著优于现有SOTA模型。
论文：https://arxiv.org/abs/2509.17472
Comments：侧重图结构动态化创新
3、Towards Foundation Models for Zero-Shot Time Series Anomaly Detection: Leveraging Synthetic Data and Relative Context Discrepancy (TimeRCD)
作者：Tian Lan, Hao Duong Le, Jinbo Li, Wenjun He, Meng Wang, Chenghao Liu, Chen Zhang
亮点：突破重建型TSAD基础模型的“目标错配”瓶颈，提出新预训练范式RCD（Relative Context Discrepancy）；模型不依赖输入重建，而是通过Transformer检测相邻时间窗口的显著差异识别异常；构建大规模带token级异常标签的合成语料，零样本TSAD任务上显著优于通用与异常专用基础模型，为TSAD基础模型提供新路径。
论文：https://arxiv.org/abs/2509.21190
Comments：Under review as a conference paper at ICLR 2026
二、时间序列预测（含高维/多变量场景）
1、IConv: Focusing on Local Variation with Channel Independent Convolution for Multivariate Time Series Forecasting
作者：Gawon Lee, Hanbyeol Park, Minseop Kim, Dohee Kim, Hyerim Bae
亮点：融合MLP与CNN优势，MLP建模长期趋势，CNN用多核捕捉细粒度局部模式（如季节特征、残差）；提出IConv卷积结构，支持通道独立处理时间依赖（适配大核尺寸），并通过独立层建模通道间关系以降低计算成本；在多组时间序列数据集上，预测精度优于现有MTS forecasting模型。
论文：https://arxiv.org/abs/2509.20783
Comments：Submitted to AAAI
2、Transformer Modeling for Both Scalability and Performance in Multivariate Time Series (DELTAformer)
作者：Hunjae Lee, Corey Clark
亮点：解决MTS中Transformer的“变量数量 scalability 瓶颈”与“无差别变量混合导致的噪声累积”问题；提出“委托token注意力”机制，约束变量间信息交互，通过委托token实现无约束时间建模；模型变量数量线性扩展，且在噪声MTS环境中鲁棒性更强，多基准数据集上预测性能优于标准Transformer，实现“可扩展性与性能双赢”。
论文：https://arxiv.org/abs/2509.19471
Comments：MTS Transformer可扩展性创新
3、TimeMosaic: Temporal Heterogeneity Guided Time Series Forecasting via Adaptive Granularity Patch and Segment-wise Decoding
作者：Kuiye Ding, Fanda Fan, Chunyi Hou, Zheya Wang, Lei Wang, Zhengxin Yang, Jianfeng Zhan
亮点：针对现有patch方法“固定长度分割忽略时间异质性”的缺陷，提出自适应粒度patch嵌入（按局部信息密度动态调整粒度，平衡信息保留与冗余降低）；引入分段解码策略，将不同预测horizon视为子任务，适配长/短期预测的复杂度差异；在含3210亿观测的大规模语料上训练，性能媲美SOTA TSFMs。
论文：https://arxiv.org/abs/2509.19406
开源代码：https://github.com/Day333/TimeMosaic
Comments：时间异质性建模关键创新
三、时间序列生成
1、TIMED: Adversarial and Autoregressive Refinement of Diffusion-Based Time Series Generation
作者：MohammadReza EskandariNasab, Shah Muhammad Hamdi, Soukaina Filali Boubrahimi
亮点：整合三大模块实现高-quality生成：DDPM捕捉全局序列结构、监督器网络（教师强迫）学习自回归依赖、Wasserstein critic提供对抗反馈保证时间平滑性；加入MMD损失对齐真实与合成数据的特征分布；多变量时间序列基准上，生成序列的真实性与时间连贯性均优于SOTA生成模型。
论文：https://arxiv.org/abs/2509.19638
Comments：Accepted to the IEEE International Conference on Data Mining (ICDM) 2025
2、Causal Time Series Generation via Diffusion Models (CaTSG)
作者：Yutong Xia, Chang Xu, Yuxuan Liang, Qingsong Wen, Roger Zimmermann, Jiang Bian
亮点：提出“因果时间序列生成”新任务族，基于Pearl因果阶梯覆盖观测、干预、反事实三类生成场景；开发扩散框架CaTSG，通过后门调整引导采样，结合“归因-行动-预测”流程推导因果分数函数；在合成与真实数据集上，生成保真度优于基线，且支持现有模型无法实现的干预/反事实生成。
论文：https://arxiv.org/abs/2509.20846
Comments：因果生成领域开创性工作
四、时间序列分类（含不规则/医疗场景）
1、MTM: A Multi-Scale Token Mixing Transformer for Irregular Multivariate Time Series Classification
作者：Shuhan Zhong, Weipeng Zhuo, Sizhe Song, Guanyao Li, Zhongyi Yu, S. -H. Gary Chan
亮点：针对不规则MTS（通道观测不同步）的通道建模缺陷，提出多尺度token混合Transformer；通过下采样到粗粒度缓解通道异步，引入掩码拼接池化增强通道注意力；设计“通道token混合机制”，主动选择重要token跨通道交互；多基准数据集上AUPRC提升达3.8%，性能优于现有SOTA模型。
论文：https://arxiv.org/abs/2509.17809
代码：https://doi.org/10.5281/zenodo.15600519
Comments：KDD 2025
2、Symbol-Temporal Consistency Self-supervised Learning for Robust Time Series Classification
作者：Kevin Garcia, Cassandra Garza, Brooklyn Berry, Yifeng Gao
亮点：针对数字健康时间序列的噪声、概念漂移问题，提出符号-时间一致性自监督学习框架；基于bag-of-symbol表示（抗数据扭曲、位置偏移、噪声）引导特征学习，增强模型对分布偏移的鲁棒性；在数据分布差异显著的场景下，分类精度显著优于现有自监督与监督方法。
论文：https://arxiv.org/abs/2509.19654
开源代码：https://github.com/KEEBVIN/STC-SSL
Comments：4 pages, 2 figures, IEEE-EMBS BSN 2025
五、时间序列评估与行业应用（医疗/地震）
1、Online Sequential Leveraging Sampling Method for Streaming Autoregressive Time Series with Application to Seismic Data (SLS)
作者：Rui Xie, T. N. Sriram, Wei Biao Wu, Ping Ma
亮点：针对流自回归时间序列（如地震数据）的“大规模、实时分析”挑战，提出在线杠杆序列采样算法；SLS仅选择单个连续数据块用于推理，块起始点基于流杠杆分数随机确定，块大小由序列停止规则自适应调整；线性/非线性自回归场景下估计量渐近正态，应用于2023土耳其-叙利亚地震、俄克拉荷马微震数据，可高效识别地震事件并解析时间依赖结构。
论文：https://arxiv.org/abs/2509.20698
Comments：Accepted by the Annals of Applied Statistics
2、MAGIC: Multi-task Gaussian Process for joint imputation and classification in healthcare time series
作者：Dohyun Ku, Catherine D. Chong, Visar Berisha, Todd J.
Schwedt, Jing Li
亮点：解决医疗时间序列“时间错位”与“数据稀疏”核心问题，提出统一框架MAGIC，联合执行类别感知缺失值插补与标签预测；基于分层多任务高斯过程结合函数逻辑回归，用泰勒展开近似处理难处理似然，EM算法+块坐标优化实现参数估计；在“脑震荡后头痛改善预测”“ICU 48小时死亡率预测”任务上优于现有方法，支持临床早期评估与治疗规划。
论文：https://arxiv.org/abs/2509.19577
Comments：36 pages, 4 figures，医疗时间序列分析实用价值突出