您的位置首页 >机器人 >

TPAMI‑26 重磅时序预测综述,自相关视角梳理深度学习时序预测十年进展

这篇登上 TPAMI 2026、标题为《Deep Time-Series Forecasting in 10 Years: A Survey》的综述,已经成为目前圈内热度最高、覆盖最完整的时序预测综述,它跳出过去按照网络结构归类的老套路,改用自相关建模作为统一主线,把近十年深度学习时序预测全部串起来,一边梳理骨干网络怎么建模历史序列自相关,一边整理损失函数怎么拟合预测序列自相关,同时收录大量基准、开源库、经典模型与最新时序基础模型,不管是刚入门做时序预测的学生,还是工业里做销量、负荷、流量预测的算法工程师,都可以顺着这一套框架快速看懂整条技术路线的演变,所以在国内 AI、时序社区快速刷屏走红。之前绝大多数时序综述,要么只按 RNN、CNN、Transformer、Mamba 这种架构简单罗列,要么只讲预训练或者单一子方向,很难把模型结构和目标约束放在一套逻辑里面;而这篇文章抓住时序预测最本质的难题:历史序列内部的自相关、预测输出序列内部的自相关,用这个单一视角把十年论文做重新归类,还对比了 Informer、PatchTST、Moirai、TimesFM、Chronos、Timer 这些大家高频使用的模型,补上了很多过往综述缺失的对比与理论讨论,同时点明当前领域遗留的核心矛盾。

一、十年时序预测发展阶段清单

  • 阶段一:循环网络时代(早期)
  • 阶段二:CNN 与混合模型阶段
  • 阶段三:Transformer 与高效注意力爆发期
  • 阶段四:选择性状态空间(Mamba)等新骨干
  • 阶段五:时序基础模型浪潮(近年)

以 RNN、LSTM、GRU 为主,擅长短序列,长序列容易梯度消失,很难捕捉远距离时序依赖,适合小规模单变量预测。

使用一维卷积提取局部时序特征,搭配循环结构,在电力负荷、流量预测上落地变多,但原生缺少全局长距离建模能力。

Informer、Autoformer、FEDformer、PatchTST 陆续出现,通过分解、稀疏注意力、分块 patch 降低开销,解决长序列预测痛点,是工业大规模落地最多的一代。

凭借线性复杂度,替代一部分 Transformer,兼顾长序列、低延迟,适合流式时序预测场景。

Moirai、TimesFM、Chronos、Timer、TimeMoE 等陆续推出,依托海量跨域时序数据预训练,支持零样本、少样本预测,是现在最热赛道。

二、综述核心分类对照表

大类建模思路代表模型优势
基于自相关优化骨干网络修改网络,更好捕捉历史时序依赖Informer、PatchTST、Mamba 时序变体上手成熟,微调稳定,工业首选
基于自相关损失约束设计特殊损失,对齐输出时序相关性各类分位数损失、时序一致性损失、生成式损失概率预测更准,波动拟合更强
时序预训练基础模型在大规模混合时序语料上预训练Chronos、Moirai、TimesFM、Timer跨领域泛化,支持零样本
生成式时序模型扩散、流匹配生成概率时序序列Sundial、各类扩散时序预测模型适合不确定性预测、多情景推演

三、论文重点提炼的现存痛点

  1. 分布漂移难题:真实世界时序大多是非平稳,训练、测试分布不一样,再好的模型上线之后都会慢慢掉点。
  2. 评估标准混乱:很多论文只在少量数据集跑指标,缺少统一、公平、长期的基准,部分提升只是数据集偏好带来的虚高。
  3. 时序基础模型短板:公开高质量多域时序语料稀缺,很多大模型在跨行业迁移时表现不稳定,理论解释不足。
  4. 概率预测落地难:很多生成模型效果好看,但推理成本高,很难塞进实时业务链路。
  5. 多变量耦合复杂:变量之间的因果、联动关系很难和时序自相关统一建模。

四、顺着这篇综述入门时序预测的操作步骤

  1. 如果是新手,先看懂自相关这个核心视角,区分 “建模历史” 和 “约束预测输出” 两条路线。
  2. 优先跑通 PatchTST、Informer 这类经典 Transformer 基线,熟悉单变量、多变量长序列预测流程。
  3. 如果业务场景经常换数据域,再上手 Moirai、Chronos 这类时序基础模型,测试零样本能力。
  4. 如果需要给出置信区间、多情景预测,尝试扩散或者分位数损失方案。
  5. 对照论文附带的基准数据集与开源库,在统一环境里面复现,避免因为评测差异误判模型效果。

这篇综述最大的价值,不是简单罗列一大堆论文,而是给读者一套可以一直沿用的思考框架。往后不管是新出来的 Mamba 变体、新时序大模型,还是新的生成式预测方案,都可以放到 “自相关建模” 这个视角里面去拆解对比。

常见问题

问题 1:TPAMI‑26 重磅时序预测综述,自相关视角梳理深度学习时序预测十年进展,这篇 TPAMI‑26 时序预测综述和别的综述差别在哪?

回答 1:大部分时序综述按网络架构分类,这篇 TPAMI‑26 时序预测综述以自相关建模作为主线,同时覆盖历史序列建模和预测输出的自相关约束,能够把近十年所有主流方案放进同一个逻辑框架对比。

问题 2:TPAMI‑26 重磅时序预测综述,自相关视角梳理深度学习时序预测十年进展,这篇综述里面提到的时序基础模型都有哪些?

回答 2:里面重点收录 Moirai、Chronos、TimesFM、Timer、TimeMoE、Sundial,这些都是当下热度最高的时序基础模型,主打跨域预训练、零样本时序预测。

问题 3:TPAMI‑26 重磅时序预测综述,自相关视角梳理深度学习时序预测十年进展,看完这篇综述适合用来做什么?

回答 3:新手可以用来搭建时序预测完整知识体系;算法工程师可以用来选型模型、定位业务里面分布漂移、长序列、概率预测等痛点;科研人员可以快速找到还没有被充分解决的开放方向。

问题 4:TPAMI‑26 重磅时序预测综述,自相关视角梳理深度学习时序预测十年进展,这篇综述认为现在时序预测领域最大瓶颈是什么?

回答 4:最核心瓶颈是时序数据的非平稳分布漂移,其次缺少统一公平基准、高质量公开时序预训练语料不足,时序基础模型的泛化性与可解释性还有很大提升空间。

参考资料

[2026-11-15](Deep Time-Series Forecasting in 10 Years: A Survey 登上 TPAMI)机器之心

[2026-11-12](十年时序预测综述:以自相关为统一视角)AI 前线

[2026-11-08](TPAMI 接收时序预测重磅综述,重新梳理长序列预测路线)量子位

[2026-10-20](Deep Time-Series Forecasting in 10 Years: A Survey)林宙辰个人主页论文页

[2026-10-15](时序基础模型全景梳理,配套 TPAMI 综述解读)arXiv 解读专栏

免责声明

本文仅为学术论文资讯科普;综述观点属于作者研究归纳,不代表时序模型在任意业务场景都能取得对应效果;论文复现、模型选型、上线部署请结合自身数据、延迟、算力约束自行验证;最终论文内容、正式刊出版本以 TPAMI 官方出版页面为准。

今日大家都在搜的词: