最近在读顶会，发现时间序列是真热哇，光是NeurIPS25就有70多篇！
且仔细研读发现，中稿的风向也变了：不再是简单将Transformer迁移到时序领域，而是针对性优化，比如通过 “小波Token 化”提升长时建模能力；LLM融合、扩散模型、频域增强成为新的增长点；线性模型、LSTM等传统方法通过结构改进，焕发第二春，比如Unlocking the Power of LSTM，通过改进门控机制增强长时记忆能力，避免了 Transformer的高参数量问题……
想发论文的伙伴，非常建议跟进这些前沿趋势，以便抓住审稿人的“胃”。为让大家能够获得更多idea启发，我给大家整理了25年所有顶会的论文和源码，共293篇，还按热门方向进行了分类。
扫描下方二维码，回复「293时序」
免费获取全部论文合集及项目代码
Transformer 与大模型
基于 Transformer 架构（含变体如 xLSTM-Mixer）、LLM/VLM 融合、时序基础模型（如 Sundial）、RAG 增强
Explainable Multi-modal Time Series Prediction with LLM-in-the-Loop
内容：该论文介绍了一个名为TimeXL的多模态时间序列预测框架，它结合了基于原型的时间序列编码器和三个协作的大型语言模型（LLM），以提供更准确的预测和可解释的解释。TimeXL通过预测、反思和改进的闭环工作流程，将时间序列数据与文本上下文相结合，利用LLM的推理能力来提高预测性能和解释能力。实验结果表明，TimeXL在四个真实世界数据集上优于现有方法，AUC最高提升了8.9%，并能生成以人为中心的多模态解释。
深度学习优化
扩散模型、对比学习、掩码建模、信息瓶颈……
Non-stationary Diffusion For Probabilistic Time Series Forecasting
内容：该论文提出了一种名为NsDiff的新型非平稳扩散模型，用于概率时间序列预测。NsDiff通过引入位置-尺度噪声模型（LSNM），放松了传统加性噪声模型（ANM）中固定不确定性假设，能够更好地捕捉时间序列数据中的非平稳特性，即数据的不确定性随时间变化。NsDiff结合了去噪扩散条件生成模型、条件均值和方差估计器，通过不确定性感知的噪声时间表动态调整每一步的噪声水平，以准确反映数据的不确定性，并将时变方差整合到扩散过程中。在九个真实世界和合成数据集上的广泛实验表明，NsDiff在性能上优于现有方法，特别是在高不确定性变化的数据集上，NsDiff的改进更为显著。
传统方法升级
线性模型改进、LSTM 优化、高斯过程、神经微分方程……
OLinear: A Linear Model for Time Series Forecasting in Orthogonally Transformed Domain
内容：本文介绍了一种名为OLinear的时间序列预测模型，它基于线性模型，并在正交变换域中进行预测。OLinear通过两个核心组件——正交变换（OrthoTrans）和归一化线性模块（NormLin）——实现了高效的时间序列预测。正交变换通过去除时间序列数据中的时间相关性来简化预测任务，而归一化线性模块则用于建模多变量相关性。OLinear在多个真实世界的数据集上进行了广泛的实验，结果表明它在预测性能和计算效率方面均优于现有的先进模型。
扫描下方二维码，回复「293时序」
免费获取全部论文合集及项目代码
跨模态与多视图
多模态融合（数值 + 文本 / 图像 / ECG，如 GEM）、视觉模型适配（如 VisionTS）、跨模态对齐（如 TimeCMA）等
GEM: Empowering MLLM for Grounded ECG Understanding with Time Series and Images
内容：本文介绍了一种名为GEM的多模态大语言模型（MLLM），旨在通过整合心电图（ECG）的时间序列信号、12导联ECG图像和文本指令，实现对ECG的深入理解和临床诊断。GEM通过三个核心创新实现这一目标：双编码器框架提取互补的时间序列和图像特征；跨模态对齐学习以实现有效的多模态理解；以及基于知识的指令生成，用于生成高粒度的ECG-Grounding数据，将诊断与可测量参数（如QRS/PR间期）联系起来。
图与几何学习
图神经网络、超图模型、几何度量、拓扑学习……
TimeFilter: Patch-Specific Spatial-Temporal Graph Filtration for Time Series Forecasting
内容：文章提出了一种用于时间序列预测的时空图滤波方法TimeFilter。该方法通过将时间序列划分为多个局部块（patch），并为每个块构建特定的时空图，利用图滤波技术提取局部时空特征，从而更有效地捕捉时间序列中的复杂时空依赖关系。TimeFilter通过这种方式显著提升了时间序列预测的准确性，同时保持了较高的计算效率，适用于大规模时间序列数据的预测任务。
数据工程与工具
数据压缩、清洗、可视化、索引与搜索、Benchmark等构建
Time-IMM: A Dataset and Benchmark for Irregular Multimodal Multivariate Time Series | 不规则时序数据集 |
内容：文章介绍了一个名为Time-IMM的新数据集和基准测试框架，专门用于处理不规则多模态多变量时间序列。该数据集包含了来自不同领域的多个真实世界数据集，涵盖了医疗、金融、气象等多个应用场景。这些数据集的特点是时间戳不规则、数据模态多样（如数值、文本、图像等）以及变量数量多。Time-IMM基准测试框架提供了一系列评估指标和实验设置，旨在推动相关领域研究的发展，帮助研究人员更好地评估和比较不同方法在处理IMM数据时的性能。通过这个数据集和基准测试，研究者可以更系统地探索和开发适用于不规则多模态多变量时间序列的分析和预测方法。
扫描下方二维码，回复「293时序」
免费获取全部论文合集及项目代码
