时序论文速递：覆盖时间序列预测、分类、异常检测及交叉应用！（10.20-10.24）

本周精选10篇时间序列领域前沿论文，覆盖时间序列预测、分类、异常检测及交叉应用四个核心方向。源码和论文感兴趣的自取。
原文 资料 这里

一、时间序列预测方向

1、Abstain Mask Retain Core: Time Series Prediction by Adaptive Masking Loss with Representation Consistency

作者：Renzhao Liang, Sizhe Xu, Chenggang Xie, Jingru Chen, Feiyang Ren, Shu Yang, Takahiro Yabe

亮点：打破传统“长序列信息增益假设”的认知局限，通过系统实验发现适度截断历史数据反而能提升预测精度，揭示现有模型存在冗余特征学习的关键问题。基于信息瓶颈理论提出AMRC框架，核心包含动态掩码损失和表示一致性约束两大模块：动态掩码损失可自适应识别高判别性时间片段，引导模型训练时的梯度下降方向，精准聚焦有效信号；表示一致性约束则稳定输入、标签与预测之间的映射关系，避免模型因噪声干扰出现预测偏移。实验验证该框架能有效抑制冗余特征学习，显著提升模型在能源管理、金融市场等关键领域的预测性能，为时间序列建模提供了全新的理论视角和方法论突破。

论文：https://arxiv.org/abs/2510.19980

开源代码：https://github.com/MazelTovy/AMRC

Comments：20 pages, 4 figures. Accepted as Spotlight poster in NeurIPS 2025

2、SEMPO: Lightweight Foundation Models for Time Series Forecasting

作者：Hui He, Kun Yi, Yuanchi Ma, Qi Zhang, Zhendong Niu, Guansong Pang

亮点：针对现有时间序列基础模型（FM）架构庞大、需大规模预训练数据的痛点，提出轻量化基础模型SEMPO，实现“小数据预训练、强泛化预测”的突破。该模型包含两大核心创新模块：能量感知频谱分解模块，不仅建模高能量频率信号，还充分利用传统方法忽略的低能量但含关键信息的频率信号，大幅提升预训练数据利用率；混合提示Transformer模块，通过小型数据集专用提示学习异质时间模式，并将时间序列令牌自适应路由至基于提示的专家网络，实现跨数据集和领域的参数高效适配。在涵盖16个数据集的两大基准测试中，SEMPO在零样本和少样本预测场景下均优于现有最优方法，同时显著降低预训练数据规模和模型体积，为资源受限环境下的时间序列预测提供了可行方案。

论文：https://arxiv.org/abs/2510.19710

开源代码：https://github.com/mala-lab/SEMPO

Comments：Accepted by NeurIPS 2025

3、DMSC: Dynamic Multi-Scale Coordination Framework for Time Series Forecasting

作者：Haonan Yang, Jianchao Tang, Zhuo Li, Long Lan

亮点：针对时间序列预测中多尺度时间依赖建模的核心难题，提出动态多尺度协调框架DMSC，系统解决现有方法静态分解、依赖建模碎片化和融合机制僵化的问题。框架集成三大关键模块：多尺度补丁分解模块（EMPD）作为内置组件，动态将序列分割为指数级粒度的分层补丁，通过输入自适应调整补丁，摆脱预定义尺度约束；三元交互模块（TIB）联合建模层内分解表示的补丁内、补丁间和跨变量依赖，实现全方位依赖捕捉；自适应尺度路由MoE模块（ASR-MoE）利用专用全局和局部专家，结合时间感知权重动态融合多尺度预测结果。在13个真实世界基准数据集上的实验表明，DMSC不仅持续保持最优预测性能，还具备更优的计算效率，为复杂时间序列的多尺度建模提供了高效解决方案。

论文：https://arxiv.org/abs/2508.02753

开源代码：https://github.com/1327679995/DMSC

Comments：Submitted 22 October, 2025; v1 submitted 3 August, 2025; originally announced August 2025.

4、Benchmarking Probabilistic Time Series Forecasting Models on Neural Activity

作者：Ziyu Lu, Anna J. Li, Alexander E. Ladd, Pascha Matveev, Aditya Deole, Eric Shea-Brown, J. Nathan Kutz, Nicholas A. Steinmetz

亮点：聚焦神经活动预测这一前沿领域，填补深度学习模型在该场景应用的评估空白。神经活动预测对理解神经系统和实现闭环控制至关重要，但现有研究多集中于通用时间序列领域，针对神经数据的适配性评估不足。该研究系统评估了8种概率深度学习模型（含2种基础模型），并与4种经典统计模型、2种基准方法在小鼠皮层宽场成像记录的自发神经活动数据上进行对比。实验表明，多个深度学习模型在不同预测视野下均持续优于经典方法，最优模型可实现1.5秒后的有效预测。研究结果为神经活动的预测模型选择提供了明确指导，为后续闭环控制应用和神经内在时间结构探索开辟了新路径。

论文：https://arxiv.org/abs/2510.18037

Comments：Accepted at the 39th Conference on Neural Information Processing Systems (NeurIPS 2025) Workshop: Data on the Brain & Mind

二、时间序列分类方向

1、NanoHydra: Energy-Efficient Time-Series Classification at the Edge

作者：Cristian Cioflan, Jose Fonseca, Xiaying Wang, Luca Benini

亮点：面向极端边缘设备的时间序列分类需求，提出TinyML方法论NanoHydra，实现精度与能效的极致平衡。边缘智能传感器需兼顾隐私保护、实时预测和长续航，而现有算法难以满足资源受限场景的能效要求。NanoHydra采用轻量级二进制随机卷积核提取数据流特征，在超低功耗GAP9微控制器上部署时，充分利用其八核集群并行执行计算密集型任务。在ECG5000数据集上分类精度达94.47%，与现有最优方法相当；同时实现极致能效：1秒ECG信号分类仅需0.33毫秒，单次推理能耗仅7.69微焦，比现有最优方法高效18倍，可支持穿戴设备超过四年的续航。该方法为智能穿戴、边缘传感等低功耗场景的时间序列分类提供了理想解决方案。

论文：https://arxiv.org/abs/2510.20038

开源代码：https://github.com/pulp-platform/nanohydra

Comments：7 pages, 2 figures, 5 tables. Accepted at International Joint Conference on Neural Networks (IJCNN) 2025

三、时间序列异常检测与信号修复方向

1、An Encode-then-Decompose Approach to Unsupervised Time Series Anomaly Detection on Contaminated Training Data–Extended Version

作者：Buang Zhang, Tung Kieu, Xiangfei Qiu, Chenjuan Guo, Jilin Hu, Aoying Zhou, Christian S. Jensen, Bin Yang

亮点：解决无监督时间序列异常检测中训练数据污染的关键痛点，提出编码-分解新范式。无监督方法因无需异常标签而应用广泛，其中自编码器通过重构误差识别异常，但对训练数据中的异常极为敏感，导致精度下降。该方法先对输入数据进行编码，再将编码表示分解为稳定表示（捕捉正常模式）和辅助表示（容纳噪声与异常），大幅提升模型在污染数据上的训练稳健性。同时，提出基于互信息的新指标替代传统重构误差来识别异常，更精准区分正常波动与真实异常。在8个常用单变量和多变量时间序列基准数据集上的实验表明，该方法性能达到或超过现有最优水平，且对不同污染比例的数据均表现出强稳健性。

论文：https://arxiv.org/abs/2510.18998

Comments：15 pages. An extended version of “An Encode-then-Decompose Approach to Unsupervised Time Series Anomaly Detection on Contaminated Training Data” accepted at ICDE 2026

2、RINS-T: Robust Implicit Neural Solvers for Time Series Linear Inverse Problems

作者：Keivan Faghih Niresi, Zepeng Zhang, Olga Fink

亮点：针对时间序列数据中缺失值、噪声、异常值等污染问题，提出无需预训练数据的鲁棒隐式神经求解器RINS-T，革新时间序列线性逆问题求解方式。传统深度学习方法需大量预训练数据，且在分布偏移下泛化能力弱，同时依赖高斯噪声假设，对异常值抗性不足。RINS-T以神经网络为隐式先验，融合鲁棒优化技术，放松对高斯噪声的依赖，显著提升对异常值的抗性。为增强优化稳定性和鲁棒性，进一步提出引导输入初始化、输入扰动和凸输出组合三大创新技术，全面强化框架性能。该方法无需预训练即可实现高恢复精度，为实际场景中受污染时间序列的修复、预测和异常检测提供了灵活高效的解决方案。

论文：https://arxiv.org/abs/2510.17396

开源代码：https://github.com/EPFL-IMOS/RINS-T

Comments：Accepted to IEEE Transactions on Instrumentation and Measurement

四、时间序列交叉应用方向

1、MEET-Sepsis: Multi-Endogenous-View Enhanced Time-Series Representation Learning for Early Sepsis Prediction

作者：Zexi Tan, Tao Xie, Binbin Sun, Xiang Zhang, Yiqun Zhang, Yiu-Ming Cheung

亮点：聚焦重症监护室（ICU）败血症早期预测这一生命攸关的应用场景，解决现有方法难以捕捉早期微弱时间信号的痛点。败血症致死率高，早期精准预测对及时干预至关重要，但早期症状隐匿，传统方法需较长监测时间才能准确识别。该研究提出MEET-Sepsis框架，核心包含多内源视图表示增强（MERE）机制和级联双卷积时间注意力（CDTA）模块：MERE构建丰富特征视图，充分挖掘多维度生理数据中的潜在关联；CDTA模块实现多尺度时间表示学习，精准捕捉微弱的早期异常信号。实验表明，该框架仅需现有最优方法20%的ICU监测时间即可达到相当的预测精度，大幅提前败血症预警窗口，为临床干预争取宝贵时间。

论文：https://arxiv.org/abs/2510.15985

开源代码：https://github.com/yueliangy/MEET-Sepsis

Comments：Accepted to PRICAI 2025

2、Synthetic Series-Symbol Data Generation for Time Series Foundation Models

作者：Wenxuan Wang, Kai Wu, Yujian Betterest Li, Dan Wang, Xiaoyu Zhang

亮点：破解时间序列基础模型训练数据稀缺和不平衡的核心瓶颈，提出序列-符号合成数据生成机制。时间序列分析基础模型的发展受限于高质量标注数据的获取难度，而合成数据为该问题提供了新路径。该研究受复杂动态系统理论启发，设计可无限制生成高质量时间序列数据的机制，且每个时间序列都配有对应的符号表达式，形成强关联的序列-符号数据对。基于该数据，开发预训练基础模型SymTime，利用符号信息增强时间序列表示学习。在五大时间序列分析任务上的实验表明，SymTime微调后性能与基于真实数据集预训练的基础模型相当，充分验证了合成序列-符号数据在克服数据稀缺、提升模型性能方面的巨大潜力。

论文：https://arxiv.org/abs/2510.08445

开源代码：https://github.com/wwhenxuan/SymTime

Comments：64 pages, 25 figures, 35 tables, NeurIPS 2025 accepted

3、ViFusionTST: Deep Fusion of Time-Series Image Representations from Load Signals for Early Bed-Exit Prediction

作者：Hao Liu, Yu Hu, Rakiba Rayhana, Ling Bai, Zheng Liu

亮点：论文提出了一种基于四个低成本称重传感器的数据采集方法，并将负载信号转化为图像形式（包括RGB线图和三种纹理映射：递归图、马尔可夫转移场和格拉米安角场），再通过一种双流Swin Transformer模型ViFusionTST进行并行处理和跨模态注意力融合，以预测患者的离床意图。这种方法首次尝试在时间序列分类任务中使用图像融合技术实现早期预警。

论文：https://arxiv.org/abs/2506.22498

Comments：Accepted for presentation at the AI4TS Workshop of IJCAI 2025

4、Indication for Dual Periodic Signatures in PKS 0805-07 from Multi-technique Time Series Analysis

作者：Sikandar Akbar, Zahir Shah, Ranjeev Misra, Sajad Boked, Naseer Iqbal

亮点：采用多技术融合的时间序列分析方法，在平谱射电类星体PKS 0805-07中发现罕见的双周期振荡信号，为天体物理变异性机制研究提供关键证据。该研究对Fermi-LAT观测的MJD 59047.5-59740.5期间的伽马射线光变曲线进行分析，综合运用 Lomb-Scargle 周期图、加权小波Z变换、REDFIT等六种互补时间序列分析技术，识别出约255天和112天的准周期振荡信号。所有方法均显示信号局部显著性超过99%，相位折叠分析进一步验证可靠性；AIC和BIC模型选择强烈支持双分量周期模型。双周期振荡在耀变体中极为罕见，研究结合双正弦模型拟合结果（振荡分量振幅相当但相位相反），提出透镜-瑟林力矩驱动的喷流进动叠加极向喷流振荡的几何起源假说，为解释极端天体的光变现象提供了新的物理模型。

论文：https://arxiv.org/abs/2506.09602

Comments：Published in PRD