本文借助了deepseek和自己的理解向大家主要介绍的是时间序列领域的不同场景的SOTA模型（涵盖长/短期预测、单/多变量场景），结合最新顶会论文和开源实现，按技术路线分类整理：

此排行榜用于跟踪时间序列预测的进度：

时间序列预测 |带代码的论文https://paperswithcode.com/task/time-series-forecasting

---

一、Transformer-based 模型

1. iTransformer (NeurIPS 2023)

• 核心创新：逆转传统Transformer架构，将时间点作为特征维度，序列作为Token，解决多变量预测中的通道独立性假设问题。

• 论文链接：[2310.06625] iTransformer: Inverted Transformers Are Effective for Time Series Forecasting

• 优势：在ETTh1（长期预测）上比PatchTST提升14% MSE，支持超长序列（>1000步）。

• 代码：GitHub

• 适用场景：多变量长期预测（能源、气象）。

2. Crossformer (ICLR 2024)

• 核心创新：提出两阶段注意力机制（跨维度→跨时间），解决多变量交互与时间依赖的联合建模问题。

• 论文链接：pdf

• 亮点：在Traffic数据集（复杂空间相关性）上MAE降低21%。

• 开源：支持PyTorch Lightning实现。

3. TSMixer (NeurIPS 2023)

• 核心创新：纯MLP架构，通过分层混合器（时间+特征混合）实现轻量化，在部分场景超越Transformer。

• 论文链接：[2306.09364] TSMixer: Lightweight MLP-Mixer Model for Multivariate Time Series Forecasting

• 优势：训练速度比Informer快5倍，参数量减少80%。

• 适用场景：资源受限的实时预测（物联网设备）。

---

二、扩散模型（Diffusion Models）

1. TimeDiff (ICML 2024)

• 核心创新：提出一种非自回归（Non-autoregressive, NAR）的条件扩散模型，一次性生成整个未来时间序列，而非逐步自回归预测。避免误差累积。

• 论文链接：Non-autoregressive Conditional Diffusion Models for Time Series Prediction

• 性能：该模型在长时预测任务（如未来96步）中，通过非自回归扩散架构显著降低预测误差（MSE相比自回归扩散模型降低15-20%），同时推理速度提升3倍以上，且在多变量场景下鲁棒性更强。

• 代码：核心模块包括条件编码器（TCN/Transformer）和轻量化扩散过程（子步骤采样+隐空间压缩）

Diffusion Posterior Sampling(扩散后验采样)理论讲解-CSDN博客

---

三、低资源/小样本学习

1. TEST (AAAI 2024)

• 核心创新：基于Prompt的模板学习框架，通过元学习生成任务特定前缀，仅需10个样本即可微调。

• 论文链接：2209.07511（22年就已经将预印本上传到Arix）

• 性能：在金融小样本数据集（FRED）上，MSE比N-BEATS低18%。

• 适用场景：医疗、金融等数据稀缺领域。

---

四、长期预测（Long-term Forecasting）

1. TimesNet (ICLR 2023 → 持续SOTA)

• 核心创新：将时间序列转换至频域，捕捉多周期特征，通过堆叠Inception块实现多尺度建模。

• 论文链接：pdf

• 优势：ETTh2（96→720步预测）MSE 0.358，持续霸榜Papers With Code。

• 代码：Time-Series-Library/models/TimesNet.py at main · thuml/Time-Series-Library

2. Lag-Llama (2024)

• 核心创新：首个开源时间序列通用大模型，基于Llama架构预训练，支持零样本预测。

• 论文链接：Lag-Llama: Towards Foundation Models for Probabilistic Time Series Forecasting

• 亮点：在Monash Archive的30+数据集上，零样本表现超越监督学习模型。

• 代码：time-series-foundation-models/lag-llama: Lag-Llama: Towards Foundation Models for Probabilistic Time Series Forecasting

---

五、鲁棒性增强模型

1. RobustTS (KDD 2024)

• 核心创新：对抗训练+不确定性量化，在输入包含异常值时预测误差波动降低60%。

• 论文链接：PowerPoint 프레젠테이션

• 适用场景：工业传感器数据（高噪声环境）。

• 代码链接：RobustTS/README.md at main · jeunsom/RobustTS

2. CausalPy (ICML 2024)

• 核心创新：因果驱动的预测框架，通过后门调整消除混杂因子影响。

• 论文链接：使用 CausalPy 进行因果推理_python 因果分析 causepy-CSDN博客

• 案例：在电商预测中，消除促销活动干扰后的GMV预测误差降低41%。

• 代码链接：pymc-labs/CausalPy: A Python package for causal inference in quasi-experimental settings

---

六、新兴挑战者：MLP-based 模型

1. DLinear (AAAI 2023)

• 核心创新：简单线性层+分解（趋势+季节性），证明复杂架构并非必要。

• 论文链接：2205.13504v3

• 现状：仍在部分数据集（如Exchange）上保持SOTA，是重要的baseline。

• 代码链接：honeywell21/DLinear: This is an official implementation for "Are Transformers Effective for Time Series Forecasting?"

2. LightTS (2024)

• 核心创新：双通道MLP（局部平滑+全局周期），参数量仅0.1M。

• 论文链接：Less Is More: Fast Multivariate Time Series Forecasting with Light Sampling-oriented MLP Structures

• 速度：在CPU上实现10万条/秒的推理速度。

• 代码链接：Time-Series-Library/models/LightTS.py at main · thuml/Time-Series-Library

---

七、基于CNN的模型在轻量化、实时性、局部特征捕捉方向仍具独特优势

1. MICN (Multi-scale Interactive CNN)

• 论文链接：pdf

• 核心创新：提出多尺度交互模块，通过并行空洞卷积（Dilated CNN）提取不同周期特征，并设计跨尺度特征融合机制。

• 优势：在ETTh1（长期预测）上比TimesNet提升8% MSE，参数量减少40%。

• 代码链接：wanghq21/MICN: Code release of paper "MICN: Multi-scale Local and Global Context Modeling for Long-term Series Forecasting" (ICLR 2023)

• 适用场景：电力、气象等强周期性数据预测。

2. MICN (Multi-scale Interactive CNN)

• 论文链接：openreview.net/pdf?id=vpJMJerXHU

• 核心创新：提出多尺度动态卷积架构，通过并行空洞卷积与自适应门控融合机制，统一建模时间序列的局部细节与全局依赖。

• 优势：在通用时序任务（预测/分类/异常检测）中超越传统TCN和部分Transformer模型，计算效率高且抗噪声能力强，适合边缘部署。

• 代码链接：luodhhh/ModernTCN: This is an official implementation of "ModernTCN: A Modern Pure Convolution Structure for General Time Series Analysis" (ICLR 2024 Spotlight), https://openreview.net/forum?id=vpJMJerXHU

补充：

时间序列论文库（可以在这两个链接中查找相关场景的论文且实时更新）：

hushuguo/awesome-time-series-papers: This repository offers a collection of recent time series research papers, including forecasting, anomaly detection and so on , with links to code and resources.https://github.com/hushuguo/awesome-time-series-papers?tab=readme-ov-file

GitHub - thuml/Time-Series-Library: A Library for Advanced Deep Time Series Models.A Library for Advanced Deep Time Series Models. Contribute to thuml/Time-Series-Library development by creating an account on GitHub.https://github.com/thuml/Time-Series-Library

总结：

实用建议：

1. 若追求精度：优先尝试iTransformer、Crossformer。

2. 若需要部署：选择TSMixer或LightTS。

3. 若数据含噪声：使用RobustTS或扩散模型。

其实，有的论文我也并没有读完，是根据deepseek推荐的，我觉得在质量方面有的肯定也有问题，也欢迎各位博友，帮我指出，下面我自己也制作了一个飞书仓库，如果说真的是有开创性工作的论文大家和我也可以随时添加，祝大家都发顶会！

Docshttps://h1sy0ntasum.feishu.cn/wiki/PLGgw1VpCiI2GpkEe4Pc4SCPnkX?from=from_copylink