time-series

general · 首次出现 2026-05-22 · 最近出现 2026-11-17 · 累计提及 61

综述

time-series(时间序列)指按时间顺序排列的数据点集合,是机器学习中专门处理连续观测数据的研究方向,涵盖预测、插补、分割、因果发现等任务。它在医疗监测、金融分析、工业运维和材料模拟等领域有广泛应用,近期的技术趋势正从单一预测模型转向多模态大模型、生成式算子和更贴近真实场景的基准评测。

time-series 近期进展

  • 在医疗场景中,数据缺失是常态而非例外。arXiv 2608.21207 提出的 Curriculum-Aware Interpolate-then-Refine 方法针对生理信号的非随机缺失模式,通过课程式学习先插值再精细化,提升了插补结果的真实可用性。另一项 ClinPRISM(arXiv 2607.25947)则构建了一个低成本的多模态 LLM 框架,让大模型能直接回答关于临床时间序列的问题,推动时序数据与大语言模型的结合。
  • 预测方向出现多个新思路:Koopman 生成算子(arXiv 2611.04760)利用 Koopman 理论实现高效的概率式时序预测;CATF(arXiv 2611.05325)提出 Manager-Worker 架构,让预测模型能感知上下文信息。OpenAI 博客则介绍了时序分割模型(time-series segmentation models)在预测与控制任务中的应用,显示这类模型正被用于机器人等需要前瞻决策的系统。
  • 基准与评测体系在快速完善。TSB-SEG(arXiv 2611.03039)为时序分割任务建立了系统化基准,补上了此前缺乏统一评测标准的空白;Composable Causality(arXiv 2611.08918)提供了系统性开展时间序列因果发现与治疗效应基准测试的工具包,反映研究者对因果推断可复现性的重视。Vendster(arXiv 2610.38292)则另辟蹊径,通过买卖双方谈判的评估竞技场,考察预测工具质量如何影响 LLM 智能体的行为。
  • 工业应用同样活跃:arXiv 2611.06843 将温度条件下的时序预测用于多晶材料的晶粒长大模拟,验证了时序方法在材料科学中的可行性。Netflix 团队则从工程侧入手,2026 年 7 月报道其通过按 ID 拆分 Cassandra 分区,将大规模分区的读取延迟从秒级降至毫秒级,为高频时序数据的存储与查询提供了实践参考。
  • 当前焦点与观察点

    综合来看,time-series 研究呈现三个值得关注的走向:一是与大语言模型融合,从传统专用小模型转向多模态问答和智能体应用,但成本与可靠性仍在验证中;二是评测规范化,分割、因果、插补等细分任务都在补齐基准,说明社区正试图解决“模型论文好于实际”的老问题;三是真实场景适配,无论是生理信号的非随机缺失,还是生产系统的毫秒级延迟要求,研究重心正从理想数据转向现实约束。后续可关注这些基准能否被广泛采纳,以及生成式与概率化方法在实际预测任务中的相对优势。

    相关报道

    10 条在档