NeurIPS 2026时序预测研究全景：基础模型、非平稳建模与频域方法-北京尧图网络

1. 时序预测研究版图从标题拆解到领域全景时间序列预测这个方向这几年在顶会上的热度肉眼可见地往上窜。NeurIPS 2026 放榜之后我花了两天时间把时序相关的论文从头到尾过了一遍整理出一份还算系统的总结。这篇先聊第一个板块也是目前投稿量最大、争议最多的方向时序基础模型、非平稳建模、不规则采样、概率预测以及频域/谱域方法。如果你正在做时序预测的研究或者准备往这个方向投下一篇论文这份梳理应该能帮你快速定位当前的研究前沿和空白点。先说清楚这份总结的定位。它不是简单的论文列表而是按照技术脉络把相关工作进行归类分析每类方法解决了什么问题、留下了什么坑、下一步可能往哪走。我会尽量把每篇工作的核心贡献讲透同时补充一些审稿视角的判断——哪些方向已经卷得差不多了哪些方向还有明显的空间。对于刚入门的研究生建议先看第2节的基础模型部分建立框架认知对于已经在做具体课题的同行可以直接跳到第3、4节看你关心的子方向。整个时序预测领域在NeurIPS 2026上的投稿分布大致可以分成这么几块基础模型Foundation Models for Time Series大概占了四分之一非平稳建模和不规则采样各占一成五左右概率预测和频域方法加起来接近三成剩下的是应用导向的工作。这个分布本身就说明了一个趋势——社区正在从“刷点”转向“解决真实场景中的硬问题”。非平稳和不规则采样这两个方向之所以热恰恰是因为真实世界的数据几乎不满足平稳性和规则采样的假设而早期的方法在这个设定下性能掉得很厉害。提示读论文总结类内容最忌讳只看结论不看设定。每篇工作的实验设定数据集、预测长度、评价指标决定了它的结论适用范围脱离设定谈优劣没有意义。2. 时序基础模型预训练范式的迁移与适配2.1 为什么时序领域也需要基础模型基础模型在NLP和CV领域的成功有目共睹核心逻辑是“大规模预训练下游微调”能够显著降低标注成本并提升泛化能力。时序领域自然也想复制这条路径。但时序数据和文本、图像有一个本质区别文本有明确的语义单元词、句图像有空间结构局部纹理、全局布局而时序数据的“模式”高度依赖采样频率、时间尺度和具体任务。同一个物理过程采样频率不同得到的序列在统计特性上可能完全不同。这就导致一个在电力负荷数据上预训练的模型直接迁移到交通流量预测上效果可能还不如从头训练。NeurIPS 2026上关于时序基础模型的工作基本都在回答同一个问题如何设计预训练任务和模型架构使得学到的表示能够跨域迁移目前主流的技术路线有三条。第一条是基于掩码重建的路线代表作包括基于PatchTST架构扩展的一批工作核心思想是把时序切成patch随机掩码一部分让模型重建被掩码的部分。这条路线的好处是训练信号密集坏处是模型容易学到局部插值这种“捷径”而不是真正的时序动态。第二条路线是对比学习通过构造正负样本对来学习判别性表示。正样本通常来自同一序列的不同增强视图如加噪、缩放、裁剪负样本来自不同序列。这条路线在分类任务上表现不错但在预测任务上存在一个根本矛盾预测任务需要模型理解序列的演化方向而对比学习学到的表示对时间方向不敏感。今年有几篇工作专门讨论了这个问题提出了方向感知的对比损失算是把这个坑填了一部分。第三条路线是“预训练提示微调”借鉴NLP中Prompt Tuning的思路在预训练模型前面加一段可学习的“提示向量”通过调整提示向量来适配下游任务。这条路线的好处是参数效率极高一个预训练模型可以同时服务多个任务。但时序数据的提示设计比文本难得多——文本的提示是离散的token有明确的语义时序的提示是连续的向量缺乏可解释性调参空间也大。2.2 基础模型架构的关键设计选择从今年这批论文来看时序基础模型的架构设计有几个关键选择点每个选择背后都有明确的权衡。第一个选择是Patch化还是逐点处理。Patch化把连续若干个时间步打包成一个token的优势是缩短了序列长度降低了注意力计算的复杂度同时每个patch内部包含了局部时序模式。逐点处理的优势是保留了最细粒度的信息适合高频数据。今年的趋势是混合方案——底层用逐点卷积提取细粒度特征上层用patch注意力建模长程依赖。这个设计在多个数据集上都取得了比纯patch或纯逐点更好的效果。第二个选择是通道独立还是通道混合。多变量时序预测中不同变量之间可能存在复杂的交互关系。通道独立每个变量单独建模最后拼接的假设是变量间关系可以通过共享参数隐式学到通道混合所有变量一起建模则显式地建模变量间依赖。今年的实证研究表明通道独立在大多数数据集上表现更稳定尤其是在变量数量多、变量间关系稀疏的场景下。通道混合的优势主要体现在变量间存在强物理耦合的场景比如气象数据中温度和湿度。第三个选择是注意力机制的变体。标准自注意力的复杂度是序列长度的平方对于长序列预测预测长度超过1000步来说计算成本太高。今年的论文中出现了多种稀疏注意力方案包括局部窗口注意力、膨胀注意力、以及基于频域的全局注意力。其中频域注意力特别值得关注——通过FFT把序列变换到频域在频域做注意力计算复杂度可以降到O(N log N)。这个思路和后面要讲的频域预测方法有相通之处。2.3 预训练数据集的构建与评估协议基础模型的性能高度依赖预训练数据的质量和多样性。今年有几篇论文专门讨论了时序预训练数据集的构建问题。目前公开的大规模时序数据集主要包括Monash Time Series Repository约30个数据集覆盖金融、气象、交通等领域、UCR/UEA归档主要用于分类任务、以及一些工业界开源的数据集。但这些数据集的总量相比NLP的语料库还是小了几个数量级而且领域覆盖不均衡——金融和气象数据多医疗和工业传感器数据少。评估协议方面今年的一个明显进步是零样本评估开始成为标配。所谓零样本就是在预训练数据上训练好模型直接在未见过的数据集上做预测不做任何微调。这个设定最能检验模型的泛化能力。从结果来看目前最好的基础模型在零样本设定下相比从头训练的监督模型优势并不明显——在部分数据集上甚至更差。这说明时序基础模型还远未达到“一个模型打天下”的程度。注意如果你打算做时序基础模型方向建议先想清楚你的预训练任务和下游任务之间的gap在哪里。很多论文的预训练任务和下游任务高度相关比如都是预测任务这种情况下预训练的优势会被高估。3. 非平稳建模从差分到自适应归一化3.1 非平稳性的来源与挑战非平稳性是时序预测中最核心的难点之一。简单说非平稳意味着序列的统计特性均值、方差、自相关结构随时间变化。现实中的时序数据几乎都是非平稳的——经济数据有趋势和季节性传感器数据有漂移和突变交通数据有早晚高峰和突发事件。传统的时序模型如ARIMA通过差分来消除趋势但差分只能处理特定类型的非平稳单位根过程对于更复杂的非平稳模式如方差随时间变化、季节性强度变化无能为力。深度学习模型虽然理论上可以拟合任意复杂的函数但在非平稳数据上训练时存在一个根本问题模型在训练集上学到的映射关系在测试集上可能不再成立。举个例子如果训练集的均值是100测试集的均值是200模型在训练集上学到的“输入100附近的值输出101附近的值”这个映射在测试集上就会完全失效。这就是所谓的分布偏移问题。3.2 归一化方法的演进路线今年NeurIPS上关于非平稳建模的工作大部分都围绕归一化这个核心操作展开。归一化的基本思想是在把数据送入模型之前先减去某个统计量通常是均值再除以另一个统计量通常是标准差把数据变换到一个相对平稳的空间。模型在这个空间上学习预测出来的结果再反归一化回原始空间。最早的方案是全局归一化——用整个训练集的均值和方差做归一化。这个方法的问题很明显如果测试集的分布和训练集不同全局统计量就不适用了。改进方案是实例归一化Instance Normalization——对每个输入窗口单独计算均值和方差。这个方法在RevINReversible Instance Normalization这篇工作中被系统化成为后续很多工作的标配。RevIN的核心设计是“可逆”——归一化和反归一化是对称的保证了信息不丢失。但实例归一化也有问题它假设每个窗口内的统计量是稳定的只是窗口之间不同。如果窗口内部也存在趋势比如窗口内均值一直在上升实例归一化就处理不了。今年的几篇工作针对这个问题提出了趋势感知的归一化方案。具体做法是先用一个轻量级的趋势提取模块通常是一维卷积或移动平均把趋势分量分离出来对残差分量做实例归一化预测时再把趋势加回去。这个思路在多个数据集上都取得了显著提升尤其是在趋势明显的金融和能源数据上。3.3 分布偏移的显式建模除了归一化这种“预处理”思路还有一类工作选择显式地建模分布偏移。代表方法是把时序分解成“不变分量”和“变化分量”假设不变分量在所有时间上共享相同的生成机制变化分量则随时间演化。模型在不变分量上学习稳定的映射关系在变化分量上学习演化的模式。这个思路和因果推断中的“不变学习”有相通之处今年的几篇论文从不同角度实现了这个想法。具体实现上一种做法是用对抗训练来分离不变和变化分量——训练一个判别器来区分不同时间段的表示主模型则试图让判别器无法区分从而迫使表示变得时间不变。另一种做法是用变分推断把时间作为隐变量学习一个时间条件的生成模型。这两种做法各有优劣对抗训练训练不稳定但表示质量高变分推断训练稳定但容易欠拟合。从实验结果来看显式建模分布偏移的方法在极端非平稳场景下如突变、 regime shift优势明显但在温和非平稳场景下相比简单的归一化方法提升有限。这也符合直觉——如果分布偏移不严重复杂的建模反而可能引入不必要的归纳偏置。3.4 实操中的注意事项如果你要在自己的数据上应用非平稳建模方法有几个坑需要提前知道。第一个坑是归一化统计量的计算窗口。窗口太短统计量估计噪声大窗口太长无法捕捉快速变化。经验法则是窗口长度至少包含2-3个完整周期如果数据有周期性同时不超过预测长度的5倍。第二个坑是训练集和测试集的划分。非平稳数据不能随机划分必须按时间顺序划分否则会造成信息泄露。第三个坑是评价指标的选择。MSE和MAE对尺度敏感在非平稳数据上可能被大值主导。建议同时报告归一化后的指标如MASE、sMAPE和原始指标。4. 不规则采样与异步观测4.1 不规则采样的现实普遍性不规则采样是指观测时间点不是等间隔的。这个问题在医疗、金融、传感器网络等领域极其普遍。比如患者的化验记录可能今天查一次、三天后查一次、下周再查一次间隔完全不规则。再比如金融交易数据有交易的时候才有记录没有交易的时候就是空的。传统的时序模型包括大多数深度学习模型都假设等间隔采样直接套用到不规则数据上会出问题——要么需要插值成规则序列引入误差要么需要修改模型架构来适应不规则性。NeurIPS 2026上关于不规则采样的工作大致分两类一类是连续时间建模把时间看作连续变量用神经ODE或时间点过程来建模另一类是离散化掩码把不规则序列离散化到规则网格上用掩码标记哪些位置有观测、哪些是缺失模型在计算损失时只考虑有观测的位置。4.2 连续时间模型的代表方法连续时间建模的核心工具是神经常微分方程Neural ODE。基本思路是用一个神经网络参数化状态的时间导数然后用ODE求解器从初始状态积分到任意时间点。这样做的好处是模型天然支持任意时间点的查询不需要固定采样率。但Neural ODE的训练成本很高因为每次前向传播都需要调用ODE求解器反向传播还需要伴随方法计算量和内存占用都很大。今年的几篇工作试图降低Neural ODE的训练成本。一种做法是用多步离散化替代ODE求解器——把连续时间分成若干段每段内用低阶近似如欧拉法代替精确求解。这样做牺牲了一点精度但训练速度提升了一个数量级。另一种做法是混合建模——在观测密集的区域用离散模型在观测稀疏的区域用连续模型两者通过注意力机制融合。这个思路在医疗数据上效果不错因为医疗数据往往在某些时间段密集住院期间、某些时间段稀疏出院后。4.3 掩码建模的工程实践掩码建模的思路更直接把不规则序列映射到一个规则的时间网格上有观测的位置填观测值没有观测的位置填掩码标记。模型在计算注意力时掩码位置不参与或参与但权重降低。这个思路的优点是实现简单可以直接复用现有的Transformer架构缺点是网格分辨率的选择很关键——分辨率太高序列太长计算成本高分辨率太低信息损失大。今年的一个改进方向是自适应网格。不是用固定的时间网格而是根据观测密度动态调整网格分辨率。观测密集的区域用细网格观测稀疏的区域用粗网格。这个做法在保持信息量的同时控制了序列长度。另一个改进方向是多尺度掩码——同时在多个时间尺度上做掩码建模粗尺度捕捉长期趋势细尺度捕捉局部变化。4.4 评价与基准不规则采样的评价比规则采样复杂得多。主要难点在于预测目标可能是在任意时间点上的值而测试集只包含有限个观测点。目前常用的做法是在测试集的观测点上计算误差但这样做会忽略模型在未观测时间点上的表现。今年的几篇论文提出了连续时间评价指标——在测试时间区间上密集采样计算模型预测值与真实值通过插值获得之间的误差。这个指标更能反映模型在连续时间上的预测能力但插值本身会引入误差需要谨慎解释结果。提示做不规则采样方向的研究建议至少在一个真实的不规则数据集上验证方法比如MIMIC医疗、PhysioNet生理信号或某些金融高频数据集。纯合成数据的实验结果说服力有限。5. 概率预测从点估计到分布估计5.1 为什么需要概率预测点预测只给出一个数值概率预测给出一个分布。在实际决策中分布比点值有用得多。比如电力调度不仅要知道明天下午三点的负荷预测值还要知道这个预测的不确定性有多大——如果不确定性很高就需要预留更多的备用容量。再比如金融风控不仅要知道违约概率的期望值还要知道尾部风险有多大。概率预测的方法大致分三类参数化方法假设预测分布属于某个参数族如高斯分布、混合高斯分布模型输出分布参数非参数方法不假设分布形式直接输出分位数或样本生成式方法用扩散模型、归一化流等生成模型来建模分布。5.2 参数化方法的改进参数化方法中最常用的是高斯分布假设——模型输出均值和方差用负对数似然作为损失函数。这个方法简单有效但高斯假设太强很多真实数据的分布是偏态的、多峰的、重尾的。今年的几篇工作用混合分布来增强表达能力。比如混合高斯分布模型输出多个高斯分量的权重、均值和方差。混合分布可以逼近任意连续分布给定足够多的分量但训练难度也相应增加——分量数量需要调参而且容易出现分量坍缩多个分量退化成同一个。另一个改进方向是分位数回归。不假设分布形式直接预测若干个分位数如0.1、0.5、0.9分位数用pinball损失训练。分位数回归的好处是灵活、鲁棒坏处是分位数之间可能交叉预测的0.1分位数大于0.9分位数需要额外的后处理来保证单调性。今年的一个改进是用单调网络来参数化分位数函数从结构上保证单调性。5.3 生成式方法的崛起扩散模型在图像生成领域的成功自然延伸到了时序概率预测。基本思路是把未来序列看作一个样本用扩散模型学习其分布。训练时逐步加噪推理时逐步去噪。扩散模型的优势是能够建模复杂的多峰分布而且生成的样本多样性好。缺点是推理速度慢——需要迭代几十到几百步去噪。今年的几篇工作试图加速扩散模型的推理包括用一致性模型蒸馏、用少步采样策略、以及在频域做扩散频域扩散的维度更低收敛更快。归一化流是另一类生成式方法通过可逆变换把简单分布如高斯映射到复杂分布。归一化流的优势是似然可以精确计算训练稳定缺点是变换必须可逆限制了模型表达能力。今年的工作尝试用自回归流和残差流来增强表达能力同时保持可逆性。5.4 评价指标的陷阱概率预测的评价比点预测复杂得多。常用的指标包括连续排序概率得分CRPS、分位数损失、以及基于样本的指标如能量得分。CRPS是最常用的指标它同时考虑了预测分布的准确性和锐度。但CRPS对极端值不敏感在重尾分布上可能给出误导性的结果。今年的几篇论文建议同时报告尾部指标如0.95分位数的覆盖率和校准指标如PIT直方图的均匀性。注意概率预测的论文中一定要检查校准性。一个预测分布如果均值准确但方差偏小CRPS可能看起来不错但实际使用时会导致过度自信的决策。PIT直方图是最直观的校准检查工具。6. 频域与谱域方法从傅里叶到小波6.1 频域方法的直觉时序数据可以分解成不同频率的分量。低频分量对应长期趋势高频分量对应短期波动和噪声。在时域上这些分量混在一起模型很难分离在频域上它们天然分离。这就是频域方法的核心直觉——把时序变换到频域在频域上建模再变换回时域。最常用的变换是离散傅里叶变换DFT。DFT把长度为N的序列映射到N个频率分量上每个分量有幅度和相位。对于实值序列DFT是对称的只需要保留N/21个分量。频域方法的优势是全局感受野——每个频率分量都包含了整个序列的信息计算效率——FFT的复杂度是O(N log N)比注意力的O(N^2)低得多。6.2 频域预测的代表工作今年的频域预测工作大致分两个流派。第一个流派是频域滤波——在频域上学习一个滤波器把不重要的频率分量抑制掉保留重要的分量。这个思路和信号处理中的低通/高通滤波类似但滤波器参数是通过数据学习得到的。具体实现上可以用一个可学习的掩码乘以频域表示掩码的值在0到1之间表示每个频率分量的保留程度。第二个流派是频域注意力——在频域上做注意力计算。标准注意力是在时域上计算query和key的相似度频域注意力则是在频域上计算。这样做的好处是频域表示具有全局性注意力可以直接建模任意两个频率分量之间的关系而不需要经过多层传播。今年的几篇工作把频域注意力和时域注意力结合起来形成时频双分支架构在多个数据集上取得了SOTA。6.3 小波变换的复兴傅里叶变换的局限是它只有全局基函数无法同时捕捉时域和频域的局部信息。小波变换通过使用有限支撑的基函数可以在时频平面上做多分辨率分析。今年的几篇工作重新审视了小波变换在时序预测中的应用提出了可学习小波——小波基函数的参数如尺度、平移通过数据学习得到而不是固定的。可学习小波的优势是自适应性强能够根据数据特点调整时频分辨率。但训练难度也相应增加——小波基函数需要满足一定的数学性质如消失矩、正交性这些性质在参数化时需要特别设计。今年的一个巧妙做法是用参数化滤波器组来实现小波变换滤波器组的参数通过训练学习同时用正则项约束其满足小波性质。6.4 频域方法的适用边界频域方法不是万能的。它的核心假设是序列的统计特性在时间上不变平稳性因为傅里叶变换的基函数是全局的不随时间变化。对于非平稳序列频域方法的效果会打折扣。今年的几篇工作尝试把频域方法和非平稳建模结合——先用滑动窗口把序列分成若干段每段内近似平稳然后在每段上做频域分析。这个思路和短时傅里叶变换STFT类似但窗口长度和重叠率是通过数据学习的。另一个边界是相位信息的重要性。频域表示中幅度谱和相位谱是分开的。很多频域方法只建模幅度谱忽略相位谱因为相位对微小的时间偏移非常敏感。但在某些任务中如需要精确对齐的预测相位信息至关重要。今年的几篇工作专门讨论了相位建模的问题提出了相位感知的损失函数和相位对齐的预测策略。提示频域方法在周期性强的数据上优势明显如电力负荷、交通流量但在周期性弱或周期不稳定的数据上可能不如时域方法。选择方法前先做频谱分析看看数据的能量是否集中在少数频率上。7. 交叉方向与开放问题7.1 非平稳频域的结合非平稳和频域这两个方向看似矛盾——频域方法假设平稳性非平稳建模则要处理统计特性的变化。但今年的几篇工作巧妙地把两者结合用频域方法建模周期性的非平稳。具体来说如果序列的周期性强度随时间变化比如交通流量在节假日周期性减弱可以在频域上建模这种变化——把周期性强度看作频率分量的幅度调制用另一个网络来预测这个调制信号。这个思路在多个数据集上取得了不错的效果尤其是在季节性模式不稳定的场景下。实现上的关键是如何设计调制网络——太复杂容易过拟合太简单表达能力不够。今年的一个方案是用低秩调制假设调制信号在频域上是低秩的用少量参数就能描述。7.2 概率预测不规则采样不规则采样和概率预测的结合是一个相对空白的方向。不规则采样意味着观测时间点本身是随机的这引入了额外的不确定性——不仅预测值不确定观测时间也不确定。今年的几篇工作开始关注这个问题提出了双重随机过程模型一个过程建模观测时间点的分布时间点过程另一个过程建模观测值的分布条件于时间点。两个过程联合训练用变分推断来近似后验。这个方向的应用场景很明确——医疗监测中下一次检查的时间往往取决于当前的健康状况金融交易中下一次交易的时间取决于市场状态。但目前的工作还停留在方法验证阶段离实际部署还有距离。7.3 基础模型非平稳基础模型和非平稳建模的结合也是一个有趣的方向。基础模型在大规模数据上预训练理论上可以学到通用的时序表示非平稳建模则关注如何让模型适应分布偏移。把两者结合一个自然的想法是用基础模型提取通用表示用轻量级的适配模块来处理非平稳。适配模块可以是一个简单的归一化层也可以是一个小型的注意力模块参数量控制在基础模型的1%以内。今年的几篇工作验证了这个思路的可行性但也暴露了一个问题基础模型的预训练数据往往来自多个领域这些领域的非平稳模式各不相同。如果适配模块太简单无法处理所有类型的非平稳如果太复杂又失去了参数效率的优势。如何在表达能力和效率之间取得平衡是下一步需要解决的问题。7.4 评价基准的缺失最后想聊一个容易被忽视但很重要的问题评价基准。时序预测领域的基准数据集虽然不少但覆盖的场景有限。大多数基准数据集是平稳或弱非平稳的不规则采样的数据集更少概率预测的评价指标也不统一。这导致不同论文之间的结果很难直接比较——A论文在数据集X上比B论文好但在数据集Y上可能更差而两个论文用的评价指标还不一样。今年的几篇论文呼吁建立统一的时序预测基准包括标准化的数据划分、统一的评价指标、以及多样化的场景覆盖。这个工作听起来不“性感”但对领域的长期发展至关重要。如果你正在做时序预测的研究建议在论文中至少报告两个不同来源的数据集上的结果并且同时报告点预测和概率预测的指标这样结果更有说服力。8. 一些实操层面的经验8.1 数据预处理的关键步骤不管用什么方法数据预处理都是第一步。时序数据的预处理主要包括缺失值处理插值或掩码、异常值处理截断或平滑、归一化全局或实例、序列切分滑动窗口或按时间划分。每一步都有坑。缺失值处理中线性插值是最常用的但它会低估方差导致模型对不确定性估计不足。异常值处理中简单的3-sigma截断在重尾分布上会误伤正常值建议用IQR或分位数截断。归一化中如果数据有明显的趋势全局归一化会把趋势也归一化掉导致模型学不到趋势信息这时候应该用差分或趋势分离。8.2 模型选择的决策树面对一个新数据集怎么选模型我的经验是走这个决策树先看数据规模——数据量小1000个序列优先用统计方法或简单深度学习模型如线性模型、小Transformer数据量大再考虑基础模型。再看平稳性——强非平稳优先用归一化简单模型弱非平稳可以用复杂模型。再看采样规则性——不规则采样优先用连续时间模型或掩码模型。最后看预测目标——需要不确定性估计就用概率预测方法只需要点值就用点预测方法。这个决策树不是绝对的但能帮你快速缩小选择范围。实际中往往需要试几个模型用验证集上的表现来做最终决定。8.3 训练技巧与调参经验时序模型的训练有几个通用技巧。学习率调度方面余弦退火热重启在大多数数据集上表现稳定比固定学习率好。批大小方面时序数据的批大小不宜太大通常32-128因为太大的批会导致梯度估计偏差尤其是在非平稳数据上。正则化方面Dropout在时序模型上效果不稳定建议用权重衰减和早停。损失函数方面MSE对异常值敏感MAE更鲁棒Huber损失是折中方案。调参的优先级学习率模型层数隐藏维度 Dropout率。学习率对结果的影响最大建议先在{1e-4, 5e-4, 1e-3, 5e-3}中搜索。模型层数和隐藏维度根据数据复杂度调整数据越复杂模型可以越大但要注意过拟合。8.4 论文写作与投稿建议如果你准备投NeurIPS或同类会议有几个点需要注意。第一实验要充分。至少3个数据集每个数据集至少3个随机种子报告均值和标准差。第二基线要强。不要只和弱基线比要和当前SOTA比最好复现SOTA的结果。第三消融要细。每个设计选择都要有消融实验支撑证明它不是可有可无的。第四写作要清晰。方法部分要讲清楚每个设计的动机不要堆砌公式。第五代码要开源。现在顶会越来越看重可复现性开源代码能显著提升论文的接受率。提示时序预测方向的审稿人越来越关注方法的实际可用性。如果你的方法在真实数据集上表现好但在合成数据上表现差审稿人可能会质疑其泛化能力。建议至少在两个真实数据集上验证。9. 最后聊几句个人体会做时序预测这几年最大的感受是这个领域正在从“方法驱动”转向“问题驱动”。早期的工作大多是“我有一个新架构在某个数据集上刷了个点”现在越来越多的工作是“真实场景中有这个问题现有方法解决不了我提出一个方案”。这个转变是好事意味着领域在成熟。但也要警惕另一种倾向——为了复杂而复杂。有些论文的方法堆叠了五六个模块每个模块都有“理论动机”但实际效果提升有限。我个人的判断标准是如果一个方法的核心思想不能用一句话说清楚那它大概率不是好方法。好的方法往往是简单的简单的背后是对问题本质的深刻理解。对于刚入门的研究生我的建议是先不要急着追热点花时间把经典方法ARIMA、指数平滑、线性回归吃透理解它们的假设和局限。然后选一个具体场景比如电力负荷预测、交通流量预测深入做下去。时序预测的论文很多但真正解决实际问题的论文不多。找到一个真实痛点比追十个热点更有价值。这个方向后续还可以扩展的点包括多模态时序预测结合文本、图像、因果时序预测区分相关和因果、以及在线学习模型随数据流持续更新。这些方向目前的工作还不多有兴趣的可以关注。

NeurIPS 2026时序预测研究全景：基础模型、非平稳建模与频域方法

相关推荐

二叉树前序遍历测试用例设计与实现解析

全人类人工智能发展路径的技术与伦理决策模型

NC65主子表单据开发避坑指南：UAP向导落地全流程

更多资讯

t3code 编码实践：先跑通、再组合、后规范的三层演进思路

Unity接入华为HMS SDK：签名、包名、证书三要素校验实战

Cloudflare Workers 构建的 Web 终端模拟系统

WorkBuddy实战技巧：从新手到高效工作台的30个使用心得

Unity集成华为HMS SDK工程级实践指南

DBeaver EE 26版本Windows安装与高效使用指南

今日更新

微信个人号API开发案例：图片/语音/视频消息怎么下载解析存到本地？

Python股票自动交易系统源码解析：从行情获取到风控的完整链路

视酷酷信IM源码部署指南：Java 17+MySQL 8.0.33实战配置

本周精选

防幻觉智能体架构：电源硬件设计中的大模型编排与工具化实践

OpenGL面试核心考点：渲染管线、矩阵变换与性能排查全解析

全国计算机二级C语言真题PDF高效刷题指南

本月热门

我发现了一个新思路：用 Remotion + Claude Code 像写代码一样自动化生成短视频

Windows下 Codex 中 Chrome 和 Computer Use 插件不可用问题排查及解决参考方式：TaoToken 统一 Key 配置与验证

2026 大模型集体涨价：用 Python 做企业 Token 成本测算与选型避坑（附配置）

读完文章，想聊聊您的网站？