时间序列预测近期进展

时间序列预测是机器学习领域的一个重要分支，它旨在利用历史数据来预测未来的趋势或事件。近期，这一领域的研究进展迅速，涌现出许多新的模型和方法。

DecoVAE：轻量级可解释时间序列预测框架

DecoVAE：轻量级可解释时间序列预测框架提出了一种新的轻量级框架，旨在提高时间序列预测的可解释性。该框架在arXiv cs.LG上发表。

TORF：两阶段残差流实现均值保持的概率时间序列预测提出了一种两阶段残差流方法，用于实现均值保持的概率时间序列预测。该方法在arXiv cs.AI上发表。

TS-RAG：用于时间序列预测的检索增强生成框架介绍了一种新的检索增强生成框架，用于提高时间序列预测的准确性。该研究同样发表在arXiv cs.LG上。

POEM：面向周期漂移的SO(2)相位感知时间序列预测提出了一种基于SO(2)相位感知的方法，用于处理周期漂移问题。该方法也在arXiv cs.LG上发表。

时间序列预测领域的研究正日益关注如何提高预测的准确性和可解释性。同时，研究者们也在探索如何应对数据中的周期性变化和异常值。此外，端到端的时间序列预测教程和检索增强的多变量时间序列预测框架等新方法的提出，也为这一领域带来了新的视角和可能性。