TW3Cast：基于微调基础模型冻结路由的时序预测系统
研究人员提出了面向时间序列预测的 TW3Cast 系统。在 GIFT-Eval 基准评测中，该系统在 130 个方案中取得平均 MASE 排名第三的优异表现，仅次于两款基于智能体或语言模型的复杂多步骤系统。与依赖智能体的方案不同，TW3Cast 完全不使用智能体或语言模型，而是基于训练集一次性计算并冻结路由选择表，直接调度轻度微调的公开基础模型专家，在 97 种数据与预测配置下实现了极具竞争力的高效预测。
DC AI 热点
全部 AI 动态
9月25日2026-09-25
感知数据修订的时间序列基座模型VINTAGE-TS
针对宏观经济等统计机构常对历史发布数据进行事后修订、导致模型训练容易引入前瞻偏差的问题，研究人员提出了具备数据修订感知能力的时间序列基座模型VINTAGE-TS。该架构明确区分了“观察时间”与“信息可用时间”，避免将单一版本假定为最终真值，而是同时预测下一周期的首次发布值及其发布后固定时间跨度内的修订值，从而更贴合真实场景下的时序预测需求。
SGA：面向时间序列基础模型多步预测的不确定性量化方法
该论文针对时间序列基础模型（TSFM）在长周期多步预测中面临的固有不确定性问题展开研究。现有模型在各时间步衍生出的预测分支会向后续步骤扩散，导致预测表现不一并削弱了结果的可信度。为此，作者提出了切片-图化-对齐（SGA）方法来对该不确定性进行量化。因原始摘要结尾截断，关于 SGA 方法的具体机制与实验效果等信息不足。
9月24日2026-09-24
Signal2Symbol：用于可解释生理时间序列异常检测的神经符号时序推理框架
针对心电图（ECG）和脑电图（EEG）等生理时间序列在复杂时序结构与高决策透明度方面的需求，现有深度学习模型往往缺乏对异常原因及局部关联的可解释性。研究团队提出了一种名为 Signal2Symbol 的神经符号框架，旨在实现可解释的生物信号异常检测。该方法首先将连续的生理信号转化为符号序列，进而结合神经符号时序推理，提升检测决策的透明度与规律挖掘能力。
TimeEvo：基于故障驱动的时序数据智能体自我演化机制
该研究针对通过调用外部工具回答分析问题的时间序列智能体，指出了传统人工预设工具配置的缺陷：一是人机工具不匹配，专家挑选的工具库可能在特定任务中降低异常检测准确率；二是隐性损害，常规自我修正可能在微弱提升总体评分的同时破坏原有的正确答案。论文指出工具的有效性需在运行时根据具体问题动态决定，并提出了故障驱动的智能体自我演化方案。