Buchumschlag

A Scalable and Transferable Time Series Prediction Framework for Demand Forecasting

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Park, Young-Jin, Kim, Donghyun, Odermatt, Frédéric, Lee, Juho, Kim, Kyung-Min
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Are Self-Attentions Effective for Time Series Forecasting?
von: Kim, Dongbin, et al.
Veröffentlicht: (2024)

When Will It Fail?: Anomaly to Prompt for Forecasting Future Anomalies in Time Series
von: Park, Min-Yeong, et al.
Veröffentlicht: (2025)

FEATHer: Fourier-Efficient Adaptive Temporal Hierarchy Forecaster for Time-Series Forecasting
von: Lee, Jaehoon, et al.
Veröffentlicht: (2026)

IConv: Focusing on Local Variation with Channel Independent Convolution for Multivariate Time Series Forecasting
von: Lee, Gawon, et al.
Veröffentlicht: (2025)

Continuous-Time Linear Positional Embedding for Irregular Time Series Forecasting
von: Kim, Byunghyun, et al.
Veröffentlicht: (2024)

Stable Neural Stochastic Differential Equations in Analyzing Irregular Time Series Data
von: Oh, YongKyung, et al.
Veröffentlicht: (2024)

DualDynamics: Synergizing Implicit and Explicit Methods for Robust Irregular Time Series Analysis
von: Oh, YongKyung, et al.
Veröffentlicht: (2024)

Towards Robust Real-World Multivariate Time Series Forecasting: A Unified Framework for Dependency, Asynchrony, and Missingness
von: Jang, Jinkwan, et al.
Veröffentlicht: (2025)

FlowPath: Learning Data-Driven Manifolds with Invertible Flows for Robust Irregularly-sampled Time Series Classification
von: Oh, YongKyung, et al.
Veröffentlicht: (2025)

A Comprehensive Survey of Deep Learning for Time Series Forecasting: Architectural Diversity and Open Challenges
von: Kim, Jongseon, et al.
Veröffentlicht: (2024)

TiVaT: A Transformer with a Single Unified Mechanism for Capturing Asynchronous Dependencies in Multivariate Time Series Forecasting
von: Ha, Junwoo, et al.
Veröffentlicht: (2024)

Comprehensive Review of Neural Differential Equations for Time Series Analysis
von: Oh, YongKyung, et al.
Veröffentlicht: (2025)

TANDEM: Temporal Attention-guided Neural Differential Equations for Missingness in Time Series Classification
von: Oh, YongKyung, et al.
Veröffentlicht: (2025)

TimePerceiver: An Encoder-Decoder Framework for Generalized Time-Series Forecasting
von: Lee, Jaebin, et al.
Veröffentlicht: (2025)

Sequential Order-Robust Mamba for Time Series Forecasting
von: Lee, Seunghan, et al.
Veröffentlicht: (2024)

Scalable Multi-Task Transfer Learning for Molecular Property Prediction
von: Lee, Chanhui, et al.
Veröffentlicht: (2024)

ReTAMamba: Reliability-Aware Temporal Aggregation with Mamba for Irregular Clinical Time Series Prediction
von: Kim, Jinwoong, et al.
Veröffentlicht: (2026)

Generative Pre-Training of Time-Series Data for Unsupervised Fault Detection in Semiconductor Manufacturing
von: Lee, Sewoong, et al.
Veröffentlicht: (2023)

Adaptive Information Routing for Multimodal Time Series Forecasting
von: Seo, Jun, et al.
Veröffentlicht: (2025)

From Patterns to Predictions: A Shapelet-Based Framework for Directional Forecasting in Noisy Financial Markets
von: Kim, Juwon, et al.
Veröffentlicht: (2025)

An Adversarial Learning Approach to Irregular Time-Series Forecasting
von: Nam, Heejeong, et al.
Veröffentlicht: (2024)

Delta-XAI: A Unified Framework for Explaining Prediction Changes in Online Time Series Monitoring
von: Kim, Changhun, et al.
Veröffentlicht: (2025)

Battling the Non-stationarity in Time Series Forecasting via Test-time Adaptation
von: Kim, HyunGi, et al.
Veröffentlicht: (2025)

Introducing Spectral Attention for Long-Range Dependency in Time Series Forecasting
von: Kang, Bong Gyun, et al.
Veröffentlicht: (2024)

PhysioME: A Robust Multimodal Self-Supervised Framework for Physiological Signals with Missing Modalities
von: Lee, Cheol-Hui, et al.
Veröffentlicht: (2025)

Back to the Future: Look-ahead Augmentation and Parallel Self-Refinement for Time Series Forecasting
von: Kim, Sunho, et al.
Veröffentlicht: (2026)

Cost-Sensitive Multi-Fidelity Bayesian Optimization with Transfer of Learning Curve Extrapolation
von: Lee, Dong Bok, et al.
Veröffentlicht: (2024)

FAF: A Feature-Adaptive Framework for Few-Shot Time Series Forecasting
von: Ouyang, Pengpeng, et al.
Veröffentlicht: (2025)

Learning Unified Distance Metric Across Diverse Data Distributions with Parameter-Efficient Transfer Learning
von: Kim, Sungyeon, et al.
Veröffentlicht: (2023)

Context Neural Networks: A Scalable Multivariate Model for Time Series Forecasting
von: Sriramulu, Abishek, et al.
Veröffentlicht: (2024)

StretchTime: Adaptive Time Series Forecasting via Symplectic Attention
von: Kim, Yubin, et al.
Veröffentlicht: (2026)

JustDense: Just using Dense instead of Sequence Mixer for Time Series analysis
von: Park, TaekHyun, et al.
Veröffentlicht: (2025)

Towards Scalable Handwriting Communication via EEG Decoding and Latent Embedding Integration
von: Kim, Jun-Young, et al.
Veröffentlicht: (2024)

Reverso: Efficient Time Series Foundation Models for Zero-shot Forecasting
von: Fu, Xinghong, et al.
Veröffentlicht: (2026)

Fast Ensembling with Diffusion Schrödinger Bridge
von: Kim, Hyunsu, et al.
Veröffentlicht: (2024)

Learning Infinitesimal Generators of Continuous Symmetries from Data
von: Ko, Gyeonghoon, et al.
Veröffentlicht: (2024)

MambaSL: Exploring Single-Layer Mamba for Time Series Classification
von: Jung, Yoo-Min, et al.
Veröffentlicht: (2026)

NDST: Neural Driving Style Transfer for Human-Like Vision-Based Autonomous Driving
von: Kim, Donghyun, et al.
Veröffentlicht: (2024)

MoDEx: Mixture of Depth-specific Experts for Multivariate Long-term Time Series Forecasting
von: Yoon, Hyekyung, et al.
Veröffentlicht: (2026)

A Decomposition Modeling Framework for Seasonal Time-Series Forecasting
von: Pang, Yining, et al.
Veröffentlicht: (2024)