NeurIPS 2024 пройдет в Ванкувере, Канада, с 10 по 15 декабря 2024 года, при этом уровень приема составит 25,8%.

В этой статье обобщены соответствующие статьи по данным временных рядов в NeurIPS 2024. В основном она включает в себя любые упущения, и вы можете их добавить.

Тема временных рядов：предсказывать,интерполяция,Классификация,генерировать,анализ причин и следствий,Обнаружение аномалий,LLMи основы Модельи т. д.。общий61Глава,Среди них будут55Глава,D&B Track6Глава

Прогноз: 1-29 Обнаружение аномалий: 30, 57 Категория: 32, 54, 55 Обозначает обучение: 37, 39, 40. Поколение: 31, 41, 42, 60. Временной анализ: 33, 34, 36. Большая языковая модель: 7, 10, 24, 52. Базовая модель: 16, 29, 35, 53. Модель диффузии: 1, 31, 42, 43.

1 Retrieval-Augumented Diffusion Models for Time Series Forecasting

Связь：https://neurips.cc/virtual/2024/poster/94339

автор：Jingwei Liu, Ling Yang, Hongyan Li, Shenda Hong

ключевые слова：предсказывать,Диффузионная модель,Улучшение поиска

2 Attractor Memory for Long-Term Time Series Forecasting: A Chaos Perspective

Связь：https://neurips.cc/virtual/2024/poster/94220

arXiv：https://arxiv.org/abs/2402.11463

автор：Jiaxi Hu, Yuehong Hu, Wei Chen, Ming Jin, Shirui Pan, Qingsong Wen, Yuxuan Liang

ключевые слова：много временипредсказывать

Attraos

3 Ada-MSHyper: Adaptive Multi-Scale Hypergraph Transformer for Time Series Forecasting

Связь：https://neurips.cc/virtual/2024/poster/95175

автор：Zongjiang Shang, Ling Chen, Binqing Wu, Dongliang Cui

ключевые слова：предсказывать,многомасштабный,гиперграф,Transformer

4 FilterNet: Harnessing Frequency Filters for Time Series Forecasting

Связь：https://neurips.cc/virtual/2024/poster/93257

автор：Kun Yi, Wei Fan, Qi Zhang, Hui He, Jingru Fei, Shufeng Hao, Defu Lian

ключевые слова：предсказывать,Частотная фильтрация

5 Frequency Adaptive Normalization For Non-stationary Time Series Forecasting

Связь：https://neurips.cc/virtual/2024/poster/95063

arXiv：https://arxiv.org/abs/2409.20371

автор：Weiwei Ye · Songgaojun Deng · Qiaosha Zou · Ning Gui

ключевые слова：предсказывать,нестационарный

FAN

6 Rethinking the Power of Timestamps for Robust Time Series Forecasting: A Global-Local Fusion Perspective

Связь：https://neurips.cc/virtual/2024/poster/96026

arXiv：https://arxiv.org/abs/2409.18696

автор：Chengsen Wang · Qi Qi · Jingyu Wang · Haifeng Sun · Zirui Zhuang · Jinming Wu · Jianxin Liao

ключевые слова：предсказывать,Надежность

GLAFF

7 AutoTimes: Autoregressive Time Series Forecasters via Large Language Models

Связь：https://neurips.cc/virtual/2024/poster/95975

arXiv：https://arxiv.org/abs/2402.02370

автор：Yong Liu · Guo Qin · Xiangdong Huang · Jianmin Wang · Mingsheng Long

ключевые слова：предсказывать,LLM,авторегрессионный

Скорочтение по бумаге с использованием искусственного интеллекта | AutoTimes: авторегрессионные предикторы временных рядов, использующие большие языковые модели.

AutoTimes

8 DDN: Dual-domain Dynamic Normalization for Non-stationary Time Series Forecasting

Связь：https://neurips.cc/virtual/2024/poster/95167

автор：Tao Dai · Beiliang Wu · Peiyuan Liu · Naiqi Li · Xue Yuerong · Shu-Tao Xia · Zexuan Zhu

ключевые слова：предсказывать,нестационарный,двойной домен

9 BackTime: Backdoor Attacks on Multivariate Time Series Forecasting

Связь：https://neurips.cc/virtual/2024/poster/95645

arXiv：https://arxiv.org/abs/2410.02195

автор：Xiao Lin · Zhining Liu · Dongqi Fu · Ruizhong Qiu · Hanghang Tong

ключевые слова：предсказывать,бэкдор-атака

10 [Spotlight] Are Language Models Actually Useful for Time Series Forecasting?

Связь：https://neurips.cc/virtual/2024/poster/96085

arXiv：https://arxiv.org/abs/2410.02195

автор：Mingtian Tan · Mike Merrill · Vinayak Gupta · Tim Althoff · Tom Hartvigsen

ключевые слова：предсказывать,LLM

Примечание：смелая работа,Эффект будет лучше, если LLM будет удален.

Сердце машины: LLM действительно не подходит для прогнозирования временных рядов, и даже способность к рассуждению не используется.

Алгоритм Юаньюаня отмечает: действительно ли предварительно обученные модели большого языка полезны для прогнозирования временных рядов? Удаление LLM перед тренировкой действительно улучшит эффект.

11 Rethinking Fourier Transform for Long-term Time Series Forecasting: A Basis Functions Perspective

Связь：https://neurips.cc/virtual/2024/poster/96209

автор：Runze Yang · Longbing Cao · JIE YANG · li jianxun

ключевые слова：много временипредсказывать,Преобразование Фурье

12 Introducing Spectral Attention for Long-Range Dependency in Time Series Forecasting

Связь：https://neurips.cc/virtual/2024/poster/94305

автор：Bong Gyun Kang · Dongjun Lee · HyunGi Kim · Dohyun Chung · Sungroh Yoon

ключевые слова：предсказывать,Спектральное внимание,долгосрочная зависимость

13 Parsimony or Capability? Decomposition Delivers Both in Long-term Time Series Forecasting

Связь：https://neurips.cc/virtual/2024/poster/93133

arXiv：https://arxiv.org/abs/2401.11929

автор：Jinliang Deng · Feiyang Ye · Du Yin · Xuan Song · Ivor Tsang · Hui Xiong

ключевые слова：много временипредсказывать

SSCNN

14 Structured Matrix Basis for Multivariate Time Series Forecasting with Interpretable Dynamics

Связь：https://neurips.cc/virtual/2024/poster/94383

автор：Xiaodan Chen · Xiucheng Li · Xinyang Chen · Zhijun Li

ключевые слова：предсказывать,Интерпретируемость,Динамический

15 DeformableTST: Transformer for Time Series Forecasting without Over-reliance on Patching

Связь：https://neurips.cc/virtual/2024/poster/96221

автор：Donghao Luo · Xue Wang

ключевые слова：предсказывать,Transformer,Patch

16 Time-FFM: Towards LM-Empowered Federated Foundation Model for Time Series Forecasting

Связь：https://neurips.cc/virtual/2024/poster/95835

arXiv：https://arxiv.org/abs/2405.14252

автор：Qingxiang Liu · Xu Liu · Chenghao Liu · Qingsong Wen · Yuxuan Liang

ключевые слова：предсказывать,федеративное обучение,База Модель

Time-FFM

17 PGN: The RNN's New Successor is Effective for Long-Range Time Series Forecasting

Связь：https://neurips.cc/virtual/2024/poster/92992

arXiv：https://arxiv.org/abs/2409.17703

код：https://github.com/Water2sea/TPGN

автор：Yuxin Jia · Youfang Lin · Jing Yu · Shuo Wang · Tianhao Liu · Huaiyu Wan

ключевые слова：много временипредсказывать,RNN

PGN

18 SOFTS: Efficient Multivariate Time Series Forecasting with Series-Core Fusion

Связь：https://neurips.cc/virtual/2024/poster/96390

arXiv：https://arxiv.org/abs/2404.14197

код：https://github.com/Secilia-Cxy/SOFTS

автор：Han Lu · Xu-Yang Chen · Han-Jia Ye · De-Chuan Zhan

ключевые слова：предсказывать,MLP

SOFTS

19 Multivariate Probabilistic Time Series Forecasting with Correlated Errors

Связь：https://neurips.cc/virtual/2024/poster/94440

arXiv：https://arxiv.org/abs/2409.18479

автор：Zhihao Zheng · Lijun Sun

ключевые слова：Вероятностьпредсказывать,Количественная оценка неопределенности

20 CycleNet: Enhancing Time Series Forecasting through Modeling Periodic Patterns

Связь：https://neurips.cc/virtual/2024/poster/94391

arXiv：https://arxiv.org/abs/2409.18479

код：https://github.com/ACAT-SCUT/CycleNet

автор：Shengsheng Lin · Weiwei Lin · Xinyi Hu · Wentai Wu · Ruichao Mo · Haocheng Zhong

ключевые слова：много временипредсказывать,Моделирование цикла

Top Science: Документ 28 о временных рядах｜CycleNet: улучшение прогнозирования временных рядов путем моделирования периодических закономерностей

CycleNet

21 Analysing Multi-Task Regression via Random Matrix Theory with Application to Time Series Forecasting

Связь：https://neurips.cc/virtual/2024/poster/95988

автор：Romain Ilbert · Malik Tiomoko · Cosme Louart · Ambroise Odonnat · Vasilii Feofanov · Themis Palpanas · Ievgen Redko

ключевые слова：предсказывать,Возвращение многозадачности,теория случайных матриц

22 CondTSF: One-line Plugin of Dataset Condensation for Time Series Forecasting

Связь：https://neurips.cc/virtual/2024/poster/95627

arXiv：https://arxiv.org/abs/2406.02131

код：https://github.com/RafaDD/CondTSF

автор：Jianrong Ding · Zhanyu Liu · Guanjie Zheng · Haiming Jin · Linghe Kong

ключевые слова：предсказывать,плагин

CondTSF

23 Scaling Law for Time Series Forecasting

Связь：https://neurips.cc/virtual/2024/poster/96119

arXiv：https://arxiv.org/pdf/2405.15124

код：https://github.com/JingzheShi/ScalingLawForTimeSeriesForecasting

автор：Jingzhe Shi · Qinwei Ma · Huan Ma · Lei Li

ключевые слова：предсказывать,Scaling Law

24 From News to Forecast: Integrating Event Analysis in LLM-Based Time Series Forecasting with Reflection

Связь：https://neurips.cc/virtual/2024/poster/93316

arXiv：https://arxiv.org/abs/2409.17515

автор：Xinlei Wang · Maike Feng · Jing Qiu · Jinjin Gu · Junhua Zhao

ключевые слова：предсказывать,LLM,объединение событий

25 From Similarity to Superiority: Channel Clustering for Time Series Forecasting

Связь：https://neurips.cc/virtual/2024/poster/95539

arXiv：https://arxiv.org/abs/2404.01340

автор：Jialin Chen · Jan Eric Lenssen · Aosong Feng · Weihua Hu · Matthias Fey · Leandros Tassiulas · Jure Leskovec · Rex Ying

ключевые слова：предсказывать,кластеризация каналов

Скорочтение по бумаге с использованием искусственного интеллекта | CCM: От сходства к трансцендентности: кластеризация каналов для прогнозирования временных рядов

CCM

26 TimeXer: Empowering Transformers for Time Series Forecasting with Exogenous Variables

Связь：https://neurips.cc/virtual/2024/poster/95770

arXiv：https://arxiv.org/abs/2402.19072

автор：Yuxuan Wang · Haixu Wu · Jiaxiang Dong · Guo Qin · Haoran Zhang · Yong Liu · Yun-Zhong Qiu · Jianmin Wang · Mingsheng Long

ключевые слова：предсказывать,экзогенные переменные,Transformer

Скорочтение по бумаге с использованием искусственного интеллекта | TimeXer: Пусть Transformer может использовать внешние переменные для прогнозирования временных рядов.

TimeXer

27 ElasTST: Towards Robust Varied-Horizon Forecasting with Elastic Time-Series Transformer

Связь：https://neurips.cc/virtual/2024/poster/93264

автор：Jiawen Zhang · Shun Zheng · Xumeng Wen · Xiaofang Zhou · Jiang Bian · Jia Li

ключевые слова：предсказывать,Надежность,Patch

28 Are Self-Attentions Effective for Time Series Forecasting?

Связь：https://neurips.cc/virtual/2024/poster/94012

arXiv：https://arxiv.org/abs/2405.16877

автор：Dongbin Kim · Jinseong Park · Jaewook Lee · Hoki Kim

ключевые слова：предсказывать,перекрестное внимание

29 Tiny Time Mixers (TTMs): Fast Pre-trained Models for Enhanced Zero/Few-Shot Forecasting of Multivariate Time Series

Связь：https://neurips.cc/virtual/2024/poster/96748

arXiv：https://arxiv.org/abs/2401.03955

код：https://github.com/ibm-granite/granite-tsfm/tree/main/tsfm_public/models/tinytimemixer

Huggingface：https://huggingface.co/ibm-granite/granite-timeseries-ttm-v1

автор：Vijay Ekambaram · Arindam Jati · Pankaj Dayama · Sumanta Mukherjee · Nam Nguyen · WESLEY M GIFFORD · Chandra Reddy · Jayant Kalagnanam

ключевые слова：нулевая выборка/Несколько образцовпредсказывать

Автомобиль-улитка с искусственным интеллектом: IBM Исследование: Улучшение больших моделей облегченных временных рядов Эффект прогнозирования временных рядов обучения

TTMs

30 SARAD: Spatial Association-Aware Anomaly Detection and Diagnosis for Multivariate Time Series

Связь：https://neurips.cc/virtual/2024/poster/94119

автор：Zhihao Dai · Ligang He · Shuanghua Yang · Matthew Leeke

ключевые слова：Обнаружение аномалий,восприятие пространственных ассоциаций

31 Utilizing Image Transforms and Diffusion Models for Generative Modeling of Short and Long Time Series

Связь：https://neurips.cc/virtual/2024/poster/96819

автор：Ilan Naiman · Nimrod Berman · Itai Pemper · Idan Arbiv · Gal Fadlon · Omer Asher · Omri Azencot

ключевые слова：Классификация（много времени）,Дискриминация (кратковременное)

32 Con4m: Context-aware Consistency Learning Framework for Segmented Time Series Classification

Связь：https://neurips.cc/virtual/2024/poster/93973

arXiv：https://arxiv.org/abs/2408.00041

автор：Junru Chen · Tianyu Cao · Jing Xu · Jiahe Li · Zhilong Chen · Tao Xiao · YANG YANG

ключевые слова：Классификация

Хронометрист: NeurIPS 2024 | Структура обучения согласованности в рамках сегментированных временных задач мультиклассификации

Con4m

33 Peri-midFormer: Periodic Pyramid Transformer for Time Series Analysis

Связь：https://neurips.cc/virtual/2024/poster/96575

автор：Qiang Wu · Gechang Yao · Zhixi Feng · Yang Shuyuan

ключевые слова：анализировать,Transformer

34 Shape analysis for time series

Связь：https://neurips.cc/virtual/2024/poster/95718

автор：Thibaut Germain · Samuel Gruffaz · Charles Truong · Alain Durmus · Laurent Oudre

ключевые слова：анализировать,Физиологическое время,без присмотра

35 UNITS: A Unified Multi-Task Time Series Model

Связь：https://neurips.cc/virtual/2024/poster/93709

arXiv：https://arxiv.org/abs/2403.00131

код：https://github.com/mims-harvard/UniTS

автор：Shanghua Gao · Teddy Koker · Owen Queen · Tom Hartvigsen · Theodoros Tsiligkaridis · Marinka Zitnik

ключевые слова：многозадачность,База Модель

Скорочтение по бумаге с использованием искусственного интеллекта | UniTS: Построение единой модели временных рядов

36 Large Pre-trained time series models for cross-domain Time series analysis tasks

Связь：https://neurips.cc/virtual/2024/poster/93205

arXiv：https://arxiv.org/abs/2311.11413

код：https://github.com/kage08/SegmentTS/

автор：Harshavardhan Prabhakar Kamarthi · B. Aditya Prakash

ключевые слова：анализировать,Междоменный домен,предварительная подготовка

LPTM

37 Segment, Shuffle, and Stitch: A Simple Mechanism for Improving Time-Series Representations

Связь：https://neurips.cc/virtual/2024/poster/92935

arXiv：https://arxiv.org/abs/2405.20082

код：https://github.com/shivam-grover/S3-TimeSeries

автор：Shivam Grover · Amin Jalali · Ali Etemad

ключевые слова：Указывает на обучение

S3

38 Task-oriented Time Series Imputation Evaluation via Generalized Representers

Связь：https://neurips.cc/virtual/2024/poster/93717

код：https://github.com/hkuedl/Task-Oriented-Imputation

автор：Zhixian Wang · Linxiao Yang · Liang Sun · Qingsong Wen · Yi Wang

ключевые слова：интерполяция,Метод оценки

39 Exploiting Representation Curvature for Boundary Detection in Time Series

Связь：https://neurips.cc/virtual/2024/poster/94837

автор：Yooju Shin · Jaehyun Park · Susik Yoon · Hwanjun Song · Byung Suk Lee · Jae-Gil Lee

ключевые слова：Обнаружение границ

40 Learning diverse causally emergent representations from time series data

Связь：https://neurips.cc/virtual/2024/poster/92973

автор：David McSharry · Christos Kaplanis · Fernando Rosas · Pedro A.M Mediano

ключевые слова：причина и следствиепоявляться

41 SDformer: Similarity-driven Discrete Transformer For Time Series Generation

Связь：https://neurips.cc/virtual/2024/poster/94642

автор：Zhicheng Chen · FENG SHIBO · Zhong Zhang · Xi Xiao · Xingyu Gao · Peilin Zhao

ключевые слова：временной рядгенерировать,Дискретный Трансформатор

42 FIDE: Frequency-Inflated Conditional Diffusion Model for Extreme-Aware Time Series Generation

Связь：https://neurips.cc/virtual/2024/poster/96595

автор：Asadullah Hill Galib · Pang-Ning Tan · Lifeng Luo

ключевые слова：временной рядгенерировать,состояние Диффузионная модель

43 ANT: Adaptive Noise Schedule for Time Series Diffusion Models

Связь：https://neurips.cc/virtual/2024/poster/96850

автор：Seunghan Lee · Kibok Lee · Taeyoung Park

ключевые слова：Диффузионная модель,адаптивный шум

44 Trajectory Flow Matching with Applications to Clinical Time Series Modelling

Связь：https://neurips.cc/virtual/2024/poster/94212

автор：Xi (Nicole) Zhang · Yuan Pu · Yuki Kawamura · Andrew Loza · Yoshua Bengio · Dennis Shung · Alexander Tong

ключевые слова：Моделирование,клинический временной ряд,согласование потока

45 Chimera: Effectively Modeling Multivariate Time Series with 2-Dimensional State Space Models

Связь：https://neurips.cc/virtual/2024/poster/93680

arXiv：https://arxiv.org/abs/2406.04320

автор：Ali Behrouz · Michele Santacatterina · Ramin Zabih

ключевые слова：Моделирование,Модель пространства состояний

Chimera

46 Reinforced Cross-Domain Knowledge Distillation on Time Series Data

Связь：https://neurips.cc/virtual/2024/poster/93330

автор：QING XU · Min Wu · Xiaoli Li · Kezhi Mao · Zhenghua Chen

ключевые слова：дистилляция знаний,без присмотраадаптация домена

47 Boosting Transferability and Discriminability for Time Series Domain Adaptation

Связь：https://neurips.cc/virtual/2024/poster/94429

автор：Mingyang Liu · Xinyang Chen · Yang Shu · Xiucheng Li · Weili Guan · Liqiang Nie

ключевые слова：адаптация домена,Мобильность,различимость

48 Towards Editing Time Series

Связь：https://neurips.cc/virtual/2024/poster/93468

автор：Baoyu Jing · Shuqi Gu · Tianyu Chen · Zhiyu Yang · Dongsheng Li · Jingrui He · Kan Ren

ключевые слова：временной рядредактировать,Синтетический временной ряд

49 Conformalized Time Series with Semantic Features

Связь：https://neurips.cc/virtual/2024/poster/95653

автор：Baiting Chen · Zhimei Ren · Lu Cheng

ключевые слова：конформныйпредсказывать,Сдвиг распределения

50 ChronoEpilogi: Scalable Time Series Selection with Multiple Solutions

Связь：https://neurips.cc/virtual/2024/poster/93042

автор：Etienne Vareille · Michele Linardi · Vassilis Christophides · Ioannis Tsamardinos

ключевые слова：временной рядвыбирать

51 Graph Neural Flows for Unveiling Systemic Interactions Among Irregularly Sampled Time Series

Связь：https://neurips.cc/virtual/2024/poster/93348

автор：Giangiacomo Mercatali · Andre Freitas · Jie Chen

ключевые слова：нерегулярныйвременной ряд,причина и следствие,обыкновенные дифференциальные уравнения

52 Tri-Level Navigator: LLM-Empowered Tri-Level Learning for Time Series OOD Generalization

Связь：https://neurips.cc/virtual/2024/poster/94588

автор：Chengtao Jian · Kai Yang · Yang Jiao

ключевые слова：обобщать из распределения,LLM

53 UniMTS: Unified Pre-training for Motion Time Series

Связь：https://neurips.cc/virtual/2024/poster/96073

автор：Xiyuan Zhang · Diyan Teng · Ranak Roy Chowdhury · Shuheng Li · Dezhi Hong · Rajesh Gupta · Jingbo Shang

ключевые слова：спортвременной ряд,предварительная подготовка

54 Medformer: A Multi-Granularity Patching Transformer for Medical Time-Series Classification

Связь：https://neurips.cc/virtual/2024/poster/93940

arXiv：https://arxiv.org/abs/2405.19363

код：https://github.com/DL4mHealth/Medformer

автор：Yihe Wang · Nan Huang · Taida Li · Yujun Yan · Xiang Zhang

ключевые слова：Классификация,медицинский временной ряд

Medformer

55 Abstracted Shapes as Tokens - A Generalizable and Interpretable Model for Time-series Classification

Связь：https://neurips.cc/virtual/2024/poster/93522

автор：Yunshi Wen · Tengfei Ma · Lily Weng · Lam Nguyen · Anak Agung Julius

ключевые слова：Классификация,Интерпретируемость,Обобщаемость

D&B Track

56 IncomeSCM: From tabular data set to time-series simulator and causal estimation benchmark

Связь：https://neurips.cc/virtual/2024/poster/97776

arXiv：https://arxiv.org/abs/2405.16069

код：https://github.com/Healthy-AI/IncomeSCM

автор：Fredrik Йоханссон (независимый автор)

ключевые слова：причина и следствиеоценивать,эмулятор

IncomeSCM

57 The Elephant in the Room: Towards A Reliable Time-Series Anomaly Detection Benchmark

Связь：https://neurips.cc/virtual/2024/poster/97690

код：https://github.com/TheDatumOrg/TSB-AD

автор：Qinghua Liu · John Paparrizos

ключевые слова：Обнаружение аномалий,benchmark

TSB-AD

58 Building Timeseries Dataset: Empowering Large-Scale Building Analytics

Связь：https://neurips.cc/virtual/2024/poster/97839

arXiv：https://arxiv.org/abs/2406.08990

код：https://github.com/cruiseresearchgroup/DIEF_BTS

автор：Arian Prabowo · Xiachong LIN · Imran Razzak · Hao Xue · Emily Yap · Matthew Amos · Flora Salim

ключевые слова：архитектуравременной ряд,Набор данных,metadata

59 Time-MMD: A New Multi-Domain Multimodal Dataset for Time Series Analysis

Связь：https://neurips.cc/virtual/2024/poster/97582

arXiv：https://arxiv.org/abs/2406.08627

libraryкод：https://github.com/AdityaLab/MM-TSFlib

dataset код：https://github.com/AdityaLab/Time-MMD

автор：Haoxin Liu · Shangqing Xu · Zhiyuan Zhao · Lingkai Kong · Harshavardhan Prabhakar Kamarthi · Aditya Sasanur · Megha Sharma · Jiaming Cui · Qingsong Wen · Chao Zhang · B. Aditya Prakash

ключевые слова：Набор данных,анализировать,мультимодальный,многодоменный

Time-MMD

60 TSGM: A Flexible Framework for Generative Modeling of Synthetic Time Series

Связь：https://neurips.cc/virtual/2024/poster/97532

arXiv：https://arxiv.org/abs/2305.11567

автор：Alexander Nikitin · Letizia Iannucci · Samuel Kaski

ключевые слова：временной рядгенерировать,Синтетический временной ряд,рамка

60 TSGM: A Flexible Framework for Generative Modeling of Synthetic Time Series

Связь：https://neurips.cc/virtual/2024/poster/97532

arXiv：https://arxiv.org/abs/2305.11567

автор：Alexander Nikitin · Letizia Iannucci · Samuel Kaski

ключевые слова：временной рядгенерировать,Синтетический временной ряд,рамка

Time-MMD

61 ProbTS: Benchmarking Point and Distributional Forecasting across Diverse Prediction Horizons

Связь：https://neurips.cc/virtual/2024/poster/97527

arXiv：https://arxiv.org/abs/2310.07446

код：https://github.com/microsoft/ProbTS

автор：Jiawen Zhang · Xumeng Wen · Zhenwei Zhang · Shun Zheng · Jia Li · Jiang Bian

ключевые слова：Вероятностьпредсказывать,benchmark

Microsoft Research Asia: ProbTS: унифицированная система оценки для прогнозирования временных рядов.

ProbTS

Ссылки по теме

NeurIPS 24 Accepted Papers：https://neurips.cc/virtual/2024/papers.html

Авторы могут предоставить интерпретации недавних замечательных статей с ведущих конференций и журналов о пространственно-временных данных и принятии временных рядов. Мы будем искренне продвигать их для вас, учиться и добиваться прогресса вместе. Если вы заинтересованы, пожалуйста, свяжитесь с нами через личное сообщение в фоновом режиме.

Если вы нашли это полезным, пожалуйста, поделитесь им, посмотрите и поставьте лайк.