再也不用擔(dān)心找論文選題找到頭禿了！我算是發(fā)現(xiàn)了：時(shí)間序列才是最香的發(fā)文風(fēng)口！這兩年頂會(huì)對(duì)這方向可以說(shuō)越來(lái)越關(guān)注，特別是ICLR和AAAI，時(shí)間序列相關(guān)的論文接收數(shù)量一年內(nèi)直接翻倍。

更關(guān)鍵的是，這方向創(chuàng)新思路很好抓，主要就是這三種：構(gòu)建通用基礎(chǔ)模型、深耕模型適配性和挖掘模型可解釋性。而且創(chuàng)新基本就是在現(xiàn)有基礎(chǔ)上進(jìn)行組合與改進(jìn)就ok，上手難度不大，非常值得一試。

這里建議論文er在研究前期多看一些研究成果，了解了解技術(shù)進(jìn)展再考慮進(jìn)一步找切入點(diǎn)。我直接打包了85篇最新頂會(huì)論文，從基礎(chǔ)到前沿全覆蓋，基本都是高分創(chuàng)新點(diǎn)，能幫你節(jié)省很多找資料的時(shí)間。助你快速定題沖頂會(huì)！

掃碼添加小享，回復(fù)【時(shí)序85】

免費(fèi)獲取全部論文

Multi-modal Time Series Analysis: A Tutorial and Survey

主要內(nèi)容：

聚焦多模態(tài)時(shí)間序列分析，系統(tǒng)梳理了相關(guān)數(shù)據(jù)集與方法。先指出數(shù)據(jù)異質(zhì)性、模態(tài)間隙等挑戰(zhàn)，再提出融合、對(duì)齊、遷移三類(lèi)跨模態(tài)交互框架，按輸入、中間、輸出層級(jí)分類(lèi)現(xiàn)有方法，還探討了多領(lǐng)域應(yīng)用，最后展望了推理、決策等未來(lái)研究方向。

Time Series Forecasting with LLMs: Understanding and Enhancing Model Capabilities

主要內(nèi)容：

探究了零樣本設(shè)置下大語(yǔ)言模型（LLMs）在時(shí)間序列預(yù)測(cè)中的偏好與性能。發(fā)現(xiàn) LLMs 擅于預(yù)測(cè)有清晰趨勢(shì)和季節(jié)性的數(shù)據(jù)，對(duì)輸入序列末端更敏感，且能識(shí)別數(shù)據(jù)周期性。提出融入外部知識(shí)和自然語(yǔ)言轉(zhuǎn)述兩種方法，有效提升了預(yù)測(cè)精度。

掃碼添加小享，回復(fù)【時(shí)序85】

免費(fèi)獲取全部論文

Harnessing Vision Models for Time Series Analysis: A Survey

主要內(nèi)容：

聚焦視覺(jué)模型在時(shí)間序列分析中的應(yīng)用，指出其相比大語(yǔ)言模型的優(yōu)勢(shì)，如適配連續(xù)數(shù)據(jù)、易編碼多變量相關(guān)性等。提出時(shí)間序列轉(zhuǎn)圖像、圖像化時(shí)間序列建模的雙重視角分類(lèi)法，涵蓋多種轉(zhuǎn)圖像方法與不同類(lèi)型視覺(jué)模型，還探討了預(yù)處理、后處理挑戰(zhàn)及未來(lái)研究方向，為該領(lǐng)域提供全面指引。

ChatTime: A Unified Multimodal Time Series Foundation Model Bridging Numerical and Textual Data

主要內(nèi)容：

為解決傳統(tǒng)模型適配性差、缺乏零樣本預(yù)測(cè)能力等問(wèn)題，該論文提出 ChatTime 模型，將時(shí)間序列視為 “外語(yǔ)”，通過(guò)歸一化、離散化等處理實(shí)現(xiàn)與文本的統(tǒng)一處理。模型支持雙模態(tài)輸入輸出，具備零樣本預(yù)測(cè)能力，構(gòu)建了相關(guān)數(shù)據(jù)集，在零樣本預(yù)測(cè)、上下文引導(dǎo)預(yù)測(cè)等任務(wù)中表現(xiàn)優(yōu)異。

掃碼添加小享，回復(fù)【時(shí)序85】

免費(fèi)獲取全部論文