针对含 N 个变量、各变量观测时间间隔不规则的 ISTS，文中介绍了三种典型表示方法（如图 1 所示），核心差异在于数据组织形式对模型适配性的影响。结论：序列式表示按变量将 ISTS 拆分为多个单变量序列，每个序列仅包含对应变量的真实观测时间与取值，不含冗余标记或混合信息。这种方式结构清晰，能有效减少变量间的干扰，适配 PLMs 的序列建模特性。

【时间序列与大语言模型交叉研究前沿综述】近年来，时间序列与LLM的融合研究取得重要突破，主要呈现五大发展方向： 基础架构创新：ChatTS首创时序多模态推理，MOTOR构建医疗事件预测基础模型，Lag-Llama通过滞后值增强预测能力，UniTS实现多任务统一架构，Timer以生成式框架处理跨任务需求。 数据生成突破：MOMENT构建跨域预训练数据集TimeseriesPile，Chronos采用

摘要：本文提出一种基于大语言模型（LLM）的时间序列预测方法，通过整合外部新闻数据提升预测准确性。研究利用LLM代理进行新闻筛选与推理，将相关新闻与时间序列数据结合微调模型，形成"预测-评估-更新"的闭环优化流程。实验表明，该方法在电力需求、金融等受事件影响显著的领域表现优异，但对自然主导的领域（如气象）适用性有限。未来将聚焦新闻归因分析和输入优化。论文代码已开源。（149字）

读本文之前，我也没有了解过“共形”预测的概念，所以特意查了资料。共形预测（Conformal Prediction, CP）是一种在任意预测模型之上构建的不确定性量化框架。通过计算样本的“非一致性分数”（衡量预测值与真实值的差异），并结合校准数据集的统计分布，在给定置信水平 (1−α) 下，生成一个预测区间或预测集合，从而保证真实结果落在其中的概率不低于 (1−α)。

针对含 N 个变量、各变量观测时间间隔不规则的 ISTS，文中介绍了三种典型表示方法（如图 1 所示），核心差异在于数据组织形式对模型适配性的影响。结论：序列式表示按变量将 ISTS 拆分为多个单变量序列，每个序列仅包含对应变量的真实观测时间与取值，不含冗余标记或混合信息。这种方式结构清晰，能有效减少变量间的干扰，适配 PLMs 的序列建模特性。

摘要： 本文提出“时间的语言”假说，将时间序列基础模型类比为语言模型，认为时间序列patch（短片段）类似于语言中的token，但在潜在空间中表现为分布而非单点。通过构建时间序列“词汇表”并分析其统计特性，研究发现时间序列token遵循Zipf定律，且其组合呈现稀疏语法结构，验证了时间序列数据的类语言特征。这一发现为跨域时序模型的迁移能力提供了理论支持，表明模型通过学习“时间的语言”实现对动态模式

本文提出MedualTime模型，创新性地采用"文本-时序双主"多模态学习范式。该模型基于冻结预训练语言模型，通过并行挂载时序优先和文本优先双适配器，在顶层引入可学习适配令牌实现高层模态融合。实验表明，MedualTime在医疗数据集上性能显著提升：有监督学习平均准确率提高8%，无训练参数仅100万，训练效率接近轻量级模型。同时，其出色的少样本迁移能力验证了模型对医疗场景细粒度

本文提出xPatch模型，通过创新性双流架构提升时间序列预测性能。针对Transformer的时序信息保留不足问题，xPatch采用指数移动平均(EMA)进行季节-趋势分解，避免传统方法引入的边界偏差。模型包含线性MLP流处理趋势分量和CNN流处理季节性分量，结合通道独立和patch技术。实验表明，xPatch在9个真实数据集上超越基线模型，MSE和MAE分别提升2.46%和2.34%，且计算效率

【时间序列与大语言模型交叉研究前沿综述】近年来，时间序列与LLM的融合研究取得重要突破，主要呈现五大发展方向： 基础架构创新：ChatTS首创时序多模态推理，MOTOR构建医疗事件预测基础模型，Lag-Llama通过滞后值增强预测能力，UniTS实现多任务统一架构，Timer以生成式框架处理跨任务需求。 数据生成突破：MOMENT构建跨域预训练数据集TimeseriesPile，Chronos采用

FITS（Frequency Interpolation Time Series Analysis Baseline）这篇文章发表于ICLR2024，也是之前SOTA的线性模型DLinear团队的最新论文。FITS的主要贡献在于基于傅立叶变换和低通滤波，通过在复频域内进行插值来操作时间序列，结合时域和频域优势，适用于边缘计算和实时分析任务，据作者所说，它具有大约10,000个参数。我个人觉得，大家