Buchumschlag

Exploring Accuracy Law for Deep Time Series Forecasters: An Empirical Study

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Wang, Yuxuan, Wu, Haixu, Ma, Yuezhou, Fang, Yuchen, Zhang, Ziyi, Liu, Yong, Wang, Shiyu, Ye, Zhou, Xiang, Yang, Wang, Jianmin, Long, Mingsheng
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Metadata Matters for Time Series: Informative Forecasting with Transformers
von: Dong, Jiaxiang, et al.
Veröffentlicht: (2024)

Deep Time Series Models: A Comprehensive Survey and Benchmark
von: Wang, Yuxuan, et al.
Veröffentlicht: (2024)

HelmFluid: Learning Helmholtz Dynamics for Interpretable Fluid Prediction
von: Xing, Lanxiang, et al.
Veröffentlicht: (2023)

RoPINN: Region Optimized Physics-Informed Neural Networks
von: Wu, Haixu, et al.
Veröffentlicht: (2024)

TimeXer: Empowering Transformers for Time Series Forecasting with Exogenous Variables
von: Wang, Yuxuan, et al.
Veröffentlicht: (2024)

iTransformer: Inverted Transformers Are Effective for Time Series Forecasting
von: Liu, Yong, et al.
Veröffentlicht: (2023)

PhySense: Sensor Placement Optimization for Accurate Physics Sensing
von: Ma, Yuezhou, et al.
Veröffentlicht: (2025)

ProPINN: Demystifying Propagation Failures in Physics-Informed Neural Networks
von: Wu, Haixu, et al.
Veröffentlicht: (2025)

TimeSiam: A Pre-Training Framework for Siamese Time-Series Modeling
von: Dong, Jiaxiang, et al.
Veröffentlicht: (2024)

Unisolver: PDE-Conditional Transformers Towards Universal Neural PDE Solvers
von: Zhou, Hang, et al.
Veröffentlicht: (2024)

DiTS: Multimodal Diffusion Transformers Are Time Series Forecasters
von: Zhang, Haoran, et al.
Veröffentlicht: (2026)

Transolver-3: Scaling Up Transformer Solvers to Industrial-Scale Geometries
von: Zhou, Hang, et al.
Veröffentlicht: (2026)

Timer-S1: A Billion-Scale Time Series Foundation Model with Serial Scaling
von: Liu, Yong, et al.
Veröffentlicht: (2026)

AutoTimes: Autoregressive Time Series Forecasters via Large Language Models
von: Liu, Yong, et al.
Veröffentlicht: (2024)

Timer-XL: Long-Context Transformers for Unified Time Series Forecasting
von: Liu, Yong, et al.
Veröffentlicht: (2024)

FlashBias: Fast Computation of Attention with Bias
von: Wu, Haixu, et al.
Veröffentlicht: (2025)

Brep2Shape: Boundary and Shape Representation Alignment via Self-Supervised Transformers
von: Sun, Yuanxu, et al.
Veröffentlicht: (2026)

SEDformer: Event-Synchronous Spiking Transformers for Irregular Telemetry Time Series Forecasting
von: Zhou, Ziyu, et al.
Veröffentlicht: (2026)

Transolver: A Fast Transformer Solver for PDEs on General Geometries
von: Wu, Haixu, et al.
Veröffentlicht: (2024)

TimeMixer: Decomposable Multiscale Mixing for Time Series Forecasting
von: Wang, Shiyu, et al.
Veröffentlicht: (2024)

Timer: Generative Pre-trained Transformers Are Large Time Series Models
von: Liu, Yong, et al.
Veröffentlicht: (2024)

TimesBERT: A BERT-Style Foundation Model for Time Series Understanding
von: Zhang, Haoran, et al.
Veröffentlicht: (2025)

DeepLag: Discovering Deep Lagrangian Dynamics for Intuitive Fluid Prediction
von: Ma, Qilong, et al.
Veröffentlicht: (2024)

Transolver++: An Accurate Neural Solver for PDEs on Million-Scale Geometries
von: Luo, Huakun, et al.
Veröffentlicht: (2025)

CoRA: Covariate-Aware Adaptation of Time Series Foundation Models
von: Qin, Guo, et al.
Veröffentlicht: (2025)

Sundial: A Family of Highly Capable Time Series Foundation Models
von: Liu, Yong, et al.
Veröffentlicht: (2025)

Scaling Law for Time Series Forecasting
von: Shi, Jingzhe, et al.
Veröffentlicht: (2024)

It's TIME: Towards the Next Generation of Time Series Forecasting Benchmarks
von: Qiao, Zhongzheng, et al.
Veröffentlicht: (2026)

Time-LLM: Time Series Forecasting by Reprogramming Large Language Models
von: Jin, Ming, et al.
Veröffentlicht: (2023)

TiMi: Empower Time Series Transformers with Multimodal Mixture of Experts
von: Lin, Jiafeng, et al.
Veröffentlicht: (2026)

Can Slow-thinking LLMs Reason Over Time? Empirical Studies in Time Series Forecasting
von: Cheng, Mingyue, et al.
Veröffentlicht: (2025)

U-Cast: Learning Hierarchical Structures for High-Dimensional Time Series Forecasting
von: Ni, Juntong, et al.
Veröffentlicht: (2025)

Domain Guidance: A Simple Transfer Approach for a Pre-trained Diffusion Model
von: Zhong, Jincheng, et al.
Veröffentlicht: (2025)

Thoth: Mid-Training Bridges LLMs to Time Series Understanding
von: Lin, Jiafeng, et al.
Veröffentlicht: (2026)

Multi-Order Wavelet Derivative Transform for Deep Time Series Forecasting
von: Zhou, Ziyu, et al.
Veröffentlicht: (2025)

Aura: Universal Multi-dimensional Exogenous Integration for Aviation Time Series
von: Lin, Jiafeng, et al.
Veröffentlicht: (2026)

Periodic Graph-Enhanced Multivariate Time Series Anomaly Detector
von: Li, Jia, et al.
Veröffentlicht: (2025)

Lag Selection for Univariate Time Series Forecasting using Deep Learning: An Empirical Study
von: Leites, José, et al.
Veröffentlicht: (2024)

Nested Spatio-Temporal Time Series Forecasting
von: Ai, Yinghao, et al.
Veröffentlicht: (2026)

Select, then Balance: Exploring Exogenous Variable Modeling of Spatio-Temporal Forecasting
von: Chen, Wei, et al.
Veröffentlicht: (2025)