#Time Series

6 篇

Twice Upon a Time: Complementary Representations for Time-Series Reasoning

时间序列推理的互补视觉表示

🧭 多模态时序表示 · 互补视图融合

Ben-Gurion University · Google

用线图与归一化延迟嵌入两种互补视觉视图训练视觉-语言时序模型，显著提升推理精度

📌 工作参考价值（4 点）

在电商销量预测、广告投放趋势分析等场景，若用 VLM/LLM 做时序问答或归因，避免只给单一线图或数值序列；同时输入原始线图（保留绝对量纲）与归一化延迟嵌入图（突出形态、去量纲偏移），让模型兼顾绝对峰值和形状相似性。
借鉴多级特征融合：时序视觉编码时，不只把最终 patch token 接入 LLM，可把中间层特征也作为 visual token 融合，保留更细粒度时间模式，适合流量、GMV 曲线等复杂信号。
对跨商品/类目趋势比较，先做幅度/偏移不变表示（如归一化延迟嵌入），可降低不同 scale 带来的过拟合，提升 cross-domain 泛化。
工程上可直接复用 Qwen-VL 系列：把原始 line plot 和 normalized delay embedding 渲染成两张图输入，无需重新设计数值 tokenizer，改造成本低但可能带来明显提升。

Multimodal | 2026-10-15 | cs.AI | score 6/10

PathFM: Fast Generative Forecasting of Multivariate Trajectories

PathFM：多元轨迹的快速生成式预测模型

🧭 生成式时间序列预测 · Flow Matching

California Institute of Technology · Amazon

PathFM 用 flow matching 生成完整多元轨迹，通过蒸馏与共享 KV cache 实现近单次查询速度，并取得最优路径分数

📌 工作参考价值（4 点）

需求/流量预测：电商大促、广告库存等场景需要累积需求、峰值、到达时间等轨迹级指标，用 flow matching 替代纯分位数模型可同时保留多步依赖与不确定性，适合 downstream 优化。
工程加速：多轨迹采样通过蒸馏到 1-2 步 + 共享 history attention cache 显著降低在线推理成本；类似思路可迁移到生成式推荐或 Agent 场景中需要对同一上下文做多次采样的模块。
校准损失直接优化：蒸馏后采样器支持端到端校准目标，比事后校准更稳定；在电商不确定预测（如缺货概率、风险控制）中可借鉴。
评估指标：引入 energy score / variogram score 评估路径依赖，比单纯 CRPS 更能反映序列依赖结构，可用于多步推荐收益预测、广告投放轨迹评估。

Other | 2026-10-14 | HF Daily | score 6/10

Flow Matching Time Series Foundation Model Trajectory Forecasting Distillation Probabilistic Forecasting

DecoVAE: a Lightweight Interpretable Trend-Seasonal VAE Framework for Efficient Probabilistic Time Series Forecasting

轻量可解释趋势季节VAE概率时间序列预测框架

🧭 概率时间序列预测 · 趋势季节分解VAE

Applied AI Institute

显式分解趋势与季节，用差分正则与频域复VAE实现轻量高精度概率预测

📌 工作参考价值（4 点）

电商中销量、流量等时间序列预测可借鉴趋势/季节显式分解：趋势流用差分正则化平滑latent，季节流用频域复高斯VAE捕捉周期，比统一建模更准确，尤其适合大促、季节性商品。
轻量化设计对线上推理友好：模型权重减少93%、推理加速74%，适合需要实时更新预测的推荐/广告系统，降低计算成本。
可复用的正则化技巧：对latent trajectory施加HP滤波式差分惩罚，可迁移到任何需要平滑趋势的预测任务（如CTR趋势、GMV预测）作为辅助损失。
频率域建模周期性的方法可借鉴到推荐中的周期性特征（如用户周行为、节假日效应），用复VAE学习振幅和相位，增强对周期波动的泛化。

Other | 2026-08-20 | cs.LG | score 6/10

Probabilistic Forecasting Time Series VAE Trend-Seasonal Decomposition Lightweight Interpretable

Intern-S2-Preview: Scientific Agentic Foundation Model

Intern-S2-Preview：科学代理基础模型

🧭 科学代理基础模型 · RL与多模态训练

Shanghai AI Laboratory

构建科学多模态代理基础模型，融合强化学习训练与时间序列预测，支持长程科学任务

📌 工作参考价值（4 点）

RL训练效率技巧可迁移至Agent策略优化：partial rollout with off-policy correction 和 adaptive length regularization 能降低长轨迹任务的训练成本，适合对话式推荐、搜索交互等场景的在线策略学习。
online speculative decoding 可加速线上Agent服务推理，降低延迟，在推荐解释生成、实时对话等场景有直接工程价值。
Memory Decoder（4B）作为冻结大模型上的轻量适配层，能快速注入垂直领域知识（如电商商品知识、广告文案规范），无需微调397B主干，规避大模型频繁更新风险，适合业务侧低成本定制。
时间序列预测模块扩展长序列理解到数值预测，可借鉴用于电商流量/销量预测、广告预算分配等业务时序任务。

Agent | 2026-08-12 | HF Daily | score 7/10

Scientific Agent RL Multimodal Time Series Memory Decoder Foundation Model

Beyond Sufficiency: Time Series Explanation with Counterfactual Necessity

超越充分性：基于反事实必要性的时间序列解释框架

🧭 时间序列解释 · 反事实必要性

University of Bristol

提出 TimePNS，利用反事实干预量化时间序列解释的必要性，过滤虚假子序列，提升解释保真度

📌 工作参考价值（3 点）

针对用户行为序列推荐模型的可解释性，可借鉴两步设计：先学习充分性掩码，再利用反事实干预剔除噪音行为，识别真正驱动推荐的关键交互。
在广告点击序列归因中，用必要性信号替代纯充分性打分，有助于排除偶然关联的曝光，提升关键触点的定位精度。
整体框架与推荐场景差异较大，直接迁移成本高，更适合作为序列解释的理论参考。

Other | 2026-07-23 | cs.LG | score 6/10

Time Series Explanation Counterfactual Necessity Causal Interpretability

Empowering VLMs for Few-Shot Multimodal Time Series Classification via Tailored Agentic Reasoning

面向少样本多模态时间序列分类的 VLM 智能体推理框架 MarsTSC

🧭 LLM ★ 深度解读

Sun Yat-sen University · Xiaomi Corporation · University of Science and Technology of China · National University of Singapore

设计三协作智能体与自进化知识库，让 VLM 在少样本下通过反思推理显著提升时间序列分类准确率

LLM | 2026-05-10 | cs.MM | score 8/10

VLM Time Series Agentic Reasoning Few-Shot Learning Multimodal