“时间序列”成为顶会收割机！高分创新点一览！

再也不用担心找论文选题找到头秃了！我算是发现了：时间序列才是最香的发文风口！这两年顶会对这方向可以说越来越关注，特别是ICLR和AAAI，时间序列相关的论文接收数量一年内直接翻倍。

更关键的是，这方向创新思路很好抓，主要就是这三种：构建通用基础模型、深耕模型适配性和挖掘模型可解释性。而且创新基本就是在现有基础上进行组合与改进就ok，上手难度不大，非常值得一试。

这里建议论文er在研究前期多看一些研究成果，了解了解技术进展再考虑进一步找切入点。我直接打包了85篇最新顶会论文，从基础到前沿全覆盖，基本都是高分创新点，能帮你节省很多找资料的时间。助你快速定题冲顶会！

扫码添加小享，回复【时序85】

免费获取全部论文

Multi-modal Time Series Analysis: A Tutorial and Survey

主要内容：

聚焦多模态时间序列分析，系统梳理了相关数据集与方法。先指出数据异质性、模态间隙等挑战，再提出融合、对齐、迁移三类跨模态交互框架，按输入、中间、输出层级分类现有方法，还探讨了多领域应用，最后展望了推理、决策等未来研究方向。

Time Series Forecasting with LLMs: Understanding and Enhancing Model Capabilities

主要内容：

探究了零样本设置下大语言模型（LLMs）在时间序列预测中的偏好与性能。发现 LLMs 擅于预测有清晰趋势和季节性的数据，对输入序列末端更敏感，且能识别数据周期性。提出融入外部知识和自然语言转述两种方法，有效提升了预测精度。

扫码添加小享，回复【时序85】

免费获取全部论文

Harnessing Vision Models for Time Series Analysis: A Survey

主要内容：

聚焦视觉模型在时间序列分析中的应用，指出其相比大语言模型的优势，如适配连续数据、易编码多变量相关性等。提出时间序列转图像、图像化时间序列建模的双重视角分类法，涵盖多种转图像方法与不同类型视觉模型，还探讨了预处理、后处理挑战及未来研究方向，为该领域提供全面指引。

ChatTime: A Unified Multimodal Time Series Foundation Model Bridging Numerical and Textual Data

主要内容：

为解决传统模型适配性差、缺乏零样本预测能力等问题，该论文提出 ChatTime 模型，将时间序列视为 “外语”，通过归一化、离散化等处理实现与文本的统一处理。模型支持双模态输入输出，具备零样本预测能力，构建了相关数据集，在零样本预测、上下文引导预测等任务中表现优异。

扫码添加小享，回复【时序85】

免费获取全部论文