2024年最容易出成果的方向：多模态时序预测（应用性强）、扩散模型（理论新颖）、低资源学习（贴合实际需求）。建议选择1个方向，在现有SOTA模型上改进1-2个模块，搭配充分实验，3个月内可完成一篇顶会投稿。需密切关注ArXiv的最新预印本（如搜索“time series forecasting 2024”），避免重复工作。t=P1C7。

研究动机：这篇文章主要讲的是如何让大型AI模型变得更聪明、更省电。就像我们人类有不同领域的专家（比如医生、工程师、厨师）一样，AI模型内部也可以分成很多“小专家”。传统的方法有点像每次只请几个大专家来解决问题，但这些大专家可能懂的东西有重复，效率不高。核心贡献：1、细粒度专家分割技术将原N个专家细分为m×N个更小的专家单元，每次激活m×K个单元。优势：增强专家组合的灵活性，促进知识聚焦，减少专家间

《京东提出时间序列大模型PCLTM与TPO强化学习框架》研究针对现有时间序列模型在扩展性和泛化能力上的不足，提出创新解决方案。通过构建包含2100亿数据点的大型数据集并建立严格的质量控制标准，提出基于补丁卷积的PCLTM模型处理复杂时序依赖关系。首次设计Time-series Policy Optimization（TPO）强化学习框架，利用算法自动生成预测对比对代替人工标注，实现时间序列模型与专

基于Transformer 及 MLP 模型在时间序列分析中迅速崛起并占据主导，卷积在时间序列任务中因性能欠佳而势头渐弱。探讨如何在时间序列分析中更好地利用卷积，使卷积重回该领域。对传统 TCN 进行现代化改进，使其更适用于时间序列任务，提出 ModernTCN，在五个主流时间序列分析任务中达到先进水平，同时保持卷积模型的效率优势，揭示 ModernTCN 具有更大的有效感受野，能更好地发挥卷积在

这篇论文提出了一种名为TimeBridge的新框架，旨在解决多变量时间序列预测中非平稳性带来的挑战。非平稳性（如短期波动和长期趋势）可能导致虚假回归或掩盖重要的长期关系。现有方法通常要么完全消除非平稳性，要么完全保留，未能有效区分其对短期和长期建模的不同影响。TimeBridge的核心思想是通过将输入序列分割为小块（patches），分别处理短期和长期依赖关系。

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

本文提出了TimeDART 一种结合因果Transformer编码器和扩散模型的框架，通过自回归生成和扩散去噪联合优化，同时建模时间序列的长期动态演化（全局特征）与局部细节模式（局部特征）。

本文提出了一种跨架构知识蒸馏(KD)框架TimeDistill,用于提高轻量级多层感知机(MLP)模型在长期时间序列预测任务上的性能。作者观察到,尽管先进的架构如Transformer和CNN在性能上表现出色,但由于计算和存储需求高,在大规模部署中面临挑战。相比之下,简单的MLP模型具有更高的效率,但性能较低。TimeDistill的关键思想是从教师模型(如Transformer、CNN)中提取补

这篇论文提出了一种名为TimeBridge的新框架，旨在解决多变量时间序列预测中非平稳性带来的挑战。非平稳性（如短期波动和长期趋势）可能导致虚假回归或掩盖重要的长期关系。现有方法通常要么完全消除非平稳性，要么完全保留，未能有效区分其对短期和长期建模的不同影响。TimeBridge的核心思想是通过将输入序列分割为小块（patches），分别处理短期和长期依赖关系。

基于Transformer 及 MLP 模型在时间序列分析中迅速崛起并占据主导，卷积在时间序列任务中因性能欠佳而势头渐弱。探讨如何在时间序列分析中更好地利用卷积，使卷积重回该领域。对传统 TCN 进行现代化改进，使其更适用于时间序列任务，提出 ModernTCN，在五个主流时间序列分析任务中达到先进水平，同时保持卷积模型的效率优势，揭示 ModernTCN 具有更大的有效感受野，能更好地发挥卷积在