时序模型方向204篇论文大整理!包含时序预测/时序Transformer/时序大模型等最新研究
共 8740字,需浏览 18分钟
·
2024-05-22 16:16
时空预测引领了新的热点,时间序列预测领域的首个大模型 TimeGPT 引起业界热议,Transformer+时序,扩散模型+时序更是顶会新方向大热“种子”选手,时序+多方向正在成为这个AI界瞩目的黑马!
本文整理了时间序列的时序预测 / 时序-Transformer / 时序-大模型 / 时序-扩散四大方向的最新论文204篇。
扫码回复“时序”领204篇论文合集
ICLR2024
ClimODE: Climate Forecasting With Physics-informed Neural ODEs
AAL2024
MSGNet: Learning Multi-Scale Inter-Serjes Correlations for Multivariate Time Series Forecasting
NeurIPS2023
Frequency-domain MLPs are More Effective Lea深度之眼整理rners in Time Series Forecasting
ICML 2023
Learning Deep Time-index Models for Time S深度之眼整理eries Forecasting
KDD 2023
TSMixer: Lightweight MLP-Mixer Model fo深度之眼整理r Multivariate Time Series Forecasting
因篇幅有限 仅展示前5篇
扫码回复“时序”领204篇论文合集
1.iTransformer: InvertedTransformers Are Effective for Time Series Forecastina
2.Pathformer: Multi- Scale Transformers With Adaptive Pathways For Time Series Forecasting
3.SCALEFORMER: ITERATIVE MULTI-SCALE REFINING TRANSFORMERS FOR TIME
SERIESFORECASTING
4.InParformer: Evolutionary Decomposition Transformers with Interactive Parallel Attentionfor LongTerm Time Series Forecasting
5.ContiFormer: Continuous-Time Tansformer for Irreqular Time Series Modeling
因篇幅有限 仅展示前5篇
扫码回复“时序”领204篇论文合集
卷积神经网络方法(4种算法模型)
1.CNN
Recent advances in convolutional neural networks
2.WaveNet-CNN
Conditional time series forecasting with convolutional neural networks
3.Kmeans-CNN
Short-term load forecasting in smart grid: a combined CNN and K-means clustering approach
4.TCN
An empirical evaluation of generic convolutional and recurrent networks for sequence modeling
因篇幅有限 仅展示前4篇
循环神经网络方法(3种算法模型)
1.RNN
Bidirectional recurrent neural networks
2.LSTM(长短期记忆网络)
Long short-term memory
3.GRU(门控循环单元)
Learning phrase representations using RNN encoder- decoder for statistical machine translation
Transformer方法(11种算法模型)
1.Transformer
Attention-based models for speech recognition
2.BERT
BERT: pre-training of deep bidirectional transformers for language understanding
3.AST
Adversarial sparse transformer for time series forecasting
4.Informer
Informer: beyond efficient transformer for long sequence time-series forecasting
因篇幅有限 仅展示部分
扫码回复“时序”领204篇论文合集
大模型处时间序列
1.基于Promtpt的方法
Leveraging Language Foundation Models for HumanMobility Forecasting
2.将时间序列进行离散化处理
AudioLM: a Language Modeling Approach to Audio Generation
3.时间序列-文本对齐代表论文
Open Vocabulary Electroencephalography-To-Text Decoding and Zero-shot Sentiment Classification
4.引入视觉信息
Leveraging Vision-Language Models for Granul深度之眼整理tar Market Change Prediction
5.大模型工具
Unleashing the Power of Shared Label Structures for Human Activity Recognition
训练时间序列领域大模型
TimetGPT-1
扫码回复“时序”领204篇论文合集
针对目前的大热时序,我们请来了顶会审稿人chichi老师,解读时空/时序预测研究现状与近期热点。
课程大纲:
- 以GNN为主的时空预测模型
经典GNN时空预测算法(如STGCN, GraphWaveNet)
近两年GNN时空预测算法
近期GNN时空预测算法研究热点
- 以Transformer为主的时序预测模型
经典Transformer时序预测算法(如Autoformer,Fedformer)
近两年Transformer时序预测算法
近期Transformer时序预测算法研究热点
- LLM在时空/时序预测上的应用
微调LLM做时空时序预测
语言增强的时序/时空预测模型
LLM做时序预测的未来挑战与研究方向
- 针对时序新热点和应用总结
扫码解锁
时序最新热点解读直播课
另外,我们准备了32节时间序列系列课程基础上,课程分为五个模块。
模块一基础:认识数据科学家
模块二进阶:时间序列预测概论+论文和代码讲解
模块三项目实战:基于股价和零售的时序项目实战
模块四比赛实战:数据科学入门赛+回答准确性预测赛
模块五时序前沿:前沿机器学习与时序+时序分析任务与最新应用场景
0.01元解锁《时间序列系列课》
32节课+37h+部分课件+部分课堂作业及代码
了解数据科学家的概念,岗位分布、职责、技能、薪资、职业发展路线等
—课程时长:1小时
1:时间序列预测入门
2:时间序列预测代码实践
3:Forecasting at Scale论文讲解+代码讲解
—课程时长:6小时
1:夯实算法基础、熟悉算法原理,通过代码实操解决问题
2:系统掌握时序分析方法以及预测方法
—课程时长:8小时
1:数据科学入门赛
2:回答准确性预测赛
—课程时长:20小时
前沿机器学习与时序
时序分析任务与最新应用场景
—课程时长:2小时
这次更新的时序课程时长37小时,总共32节,0.01元即可解锁。
0.01元解锁《时间序列系列课》
32节课+37h+部分课件+部分课堂作业及代码