SERAF：透過多模態檢索增強時間序列預測
SERAF 是一個透過結合數值數據與自生成文字描述來提升時間序列預測的新框架。透過執行雙重檢索，它克服了傳統基於相似度的方法在非平穩環境中的限制。
Search
Tag: #time-series23 results
LSTM 在無觀測流域流量預測中表現優於 Transformer
本研究利用 NOAA National Water Model 的數據，比較了編碼器架構的 Transformer 與 LSTM 在無觀測流域流量推論中的表現。結果顯示，對於上游序列重建任務，循環記憶架構仍優於 Transformer。
KA-FCM 實現非單調因果建模
KA-FCM 以可學習單變量 B-樣條函數取代模糊認知圖中的純量權重，依據 Kolmogorov-Arnold 定理實現邊緣上的非單調因果關係。它在非單調推斷、符號回歸及混沌時間序列預測中超越標準 FCM，並與 MLP 匹敵。此方法保留圖形可解釋性，便於從學習邊緣提取數學定律。
GluFormer範式遷移生態學AI
分析顯示GluFormer自監督框架遷移至生態學，處理FLUXNET通量等無標註時序數據。解決靜態指標局限，無需註解即可早期預測生態風險。分詞適配Transformer處理多尺度生態動態。
Gemini 38 天預測資料集發布
38 天資料集記錄 Gemini 每日股票預測、理由、情緒與信心，涵蓋 10 天展望。時間鎖定，已上傳 Hugging Face 並附互動儀表板與 Colab 筆記本。研究 LLM 在不確定性下的穩定性、敘事漂移與校準。
KairosVL：時序與語義統一推理
KairosVL 引入語義條件時序推理任務，將數值建模與上下文語義結合，用於複雜分析。它採用兩輪強化學習框架：第一輪強化時序基本元素的感知，第二輪聚焦語義條件推理。該模型在合成與真實世界任務中表現出色，並提升泛化能力。
⚙️
識別邊緣運算時間序列數據機器學習的瓶頸
一位開發者正調查嵌入式機器學習社群，以找出時間序列數據工作流程（如清理、標註或部署）中的主要痛點。他們正在開發一款硬體無關且原生支援生成式 AI 的工具，旨在簡化感測器數據的處理流程。
🔬
在非語言數據上訓練 GPT 風格模型
一位研究人員在非語言序列上訓練 Transformer-decoder 模型時遇到困難，指出模型無法學習自回歸行為，且常卡在生成單一 token 的問題上。
使用 SageMaker LSTM 和 ESA STIX 資料建置太陽耀斑偵測系統
教學展示在 Amazon SageMaker 上建置深度學習模型，用於太陽耀斑偵測。使用歐洲太空總署 STIX 儀器資料訓練 LSTM 網路。部署模型進行即時預測。
📰
無POS整合零售需求預測架構
團隊正開發輕量級需求預測系統，用於多地零售僅依賴手動輸入營運數據，如營收、用餐人數與廢棄量。前30天使用統計基準，之後採用輕量全球ML模型，並排除異常值並提供信心分數。他們徵求小數據集全球 vs. 局部模型、出異常處理及可信信心區間的反饋。