受自然语言处理（NLP）大型语言模型的最新进展的启发，我们设计了一个时间序列基础模型，用于预测其在各种公共数据集上的开箱即用的零射击性能接近每个数据集的最先进监督预测模型的准确性。我们的模型是基于预训练解码器风格的注意力模型与输入修补，使用一个大型的时间序列语料库，包括真实世界和合成数据集。在一组不同的以前看不见的预测数据集上进行的实验表明，该模型可以在不同的领域、预测范围和时间粒度上产生准确的零

学习适用于各种下游任务的通用时间序列表示具有挑战性，但在实际应用中很有价值。最近，研究人员试图利用计算机视觉(CV)和自然语言处理(NLP)中自我监督对比学习(SSCL)的成功来解决时间序列表示问题。然而，由于特殊的时间特征，仅仅依靠其他领域的经验指导可能对时间序列无效，并且难以适应多个下游任务。为此，本文综述了SSCL中涉及的三个部分:1)设计正对增广方法，2)构造(硬)负对，3)设计SSCL损

分层时间序列预测不仅需要预测准确性，还需要一致性，即预测在整个层次结构中适当地相加。最近的文献表明，通过投影进行协调优于先前的方法，例如自上而下或自下而上的方法。与预先指定投影矩阵（例如正交）的现有工作不同，我们研究从数据中学习最佳倾斜投影以对分层时间序列进行一致预测的问题。除了保持无偏性的特性之外，倾斜投影还隐式地考虑了层次结构，并为各个时间序列分配了不同的权重，与平等对待基本预测误差的正交投影

时间序列异常检测通过从观察序列中学习正态性来处理检测异常时间步长的问题。然而，正态性的概念随着时间的推移而演变，导致了“新正态性问题”，其中正态性的分布可能由于训练数据和测试数据之间的分布变化而改变。本文强调了无监督时间序列异常检测研究中新常态问题的普遍存在。为了解决这个问题，我们提出了一种基于趋势估计的简单而有效的测试时间适应策略，以及一种在推理过程中学习新常态的自监督方法。对现实世界基准的大量

知识提炼（KD）是无监督异常检测（AD）中的一个重要研究方向。假设学生在训练数据中不断地产生典型模式的表示，称为“正态性，”教师和学生模型之间的表示差异被识别为异常。然而，它却存在着“常态遗忘”问题。在没有异常的数据上训练，学生仍然很好地重构了异常的异常表示，并且对训练中也出现的正态数据中的精细模式很敏感。为了缓解这个问题，我们引入了一个新的记忆引导的知识提取（MemKD）框架，该框架在检测异常时

为了量化不确定性，共形预测方法越来越受到人们的关注，并已成功应用于各个领域。然而，它们很难应用于时间序列，因为时间序列的自相关结构违反了共形预测所需的基本假设。我们提出了 HopCPT，一种新颖的时间序列保形预测方法，它不仅可以处理时间结构，而且可以利用它们。我们表明，我们的方法在理论上对于存在时间依赖性的时间序列是合理的。在实验中，我们证明我们的新方法在来自四个不同领域的多个真实世界时间序列数据

时间序列分析有着广泛的应用领域。最近，为了减少标签费用并有利于各种任务，自监督预训练引起了人们的极大兴趣。一种主流范式是屏蔽建模，它通过学习基于未屏蔽部分重建屏蔽内容来成功地预训练深度模型。然而，由于时间序列的语义信息主要包含在时间变化中，随机屏蔽部分时间点的标准方法将严重破坏时间序列的重要时间变化，使得重建任务难以指导表示学习。因此，我们提出了 SimMTM，一个用于掩蔽时间序列建模的简单预训练

多变量时间序列(MTS)的无监督异常检测(UAD)旨在学习正常多变量时间模式的鲁棒表示。现有的UAD方法试图为每个MTS学习一组固定的映射，这需要昂贵的计算和有限的模型适应。为了解决这一关键问题，我们在概率框架下提出了一种面向原型的UAD (PUAD)方法。具体来说，提出的PUAD不是学习每个MTS的映射，而是将多个MTS视为一组原型上的分布，这些原型被提取以表示不同的正常模式集。

由于它们能够充当特征提取器或未来参考，因此基础已成为基于深度学习的现代时间序列预测模型不可或缺的一部分。为了有效，基础必须针对特定的时间序列数据集进行定制，并与该集中的每个时间序列表现出明显的相关性。然而，当前最先进的方法在同时满足这两个要求的能力方面受到限制。为了应对这一挑战，我们提出了 BasisFormer，这是一种利用可学习和可解释基础的端到端时间序列预测架构。该架构由三个组成部分组成：首

基于卷积神经网络 (CNN) 和 Transformer 的方法最近在时间序列预测方面取得了重大进展，它们擅长对局部时间变化进行建模或捕获长期依赖性。然而，现实世界的时间序列通常包含复杂的时间模式，这使得主要关注直接从一维时间序列进行时间变化建模的现有方法面临挑战。基于时间序列的内在周期性，我们提出了一种新颖的周期性解耦框架（PDF）来捕获解耦序列的二维时间变化以进行长期序列预测。我们的PDF主要