提升模型对复杂动态结构的理解能力
围绕非平稳性建模、层次生成式预测、解耦式预测和预测后修正， 持续加强模型对时间序列本身的建模能力。
SAN
GPHTF
FDF
Post-hoc Revision
页面概览
这一页聚焦 USTC-AGI 研究组在时间序列预测方向的主要探索路线与代表性工作。
五条探索主线
用大规模预训练增强通用时序表征能力
这一方向聚焦 masked autoencoder、扩散式自回归建模与大规模预训练范式， 通过无标注或弱监督数据学习更具迁移性的时间序列表征。
TimeMAE
TimeDART
Masked Autoencoder
自监督表示
让模型不只拟合数值，也理解情境
这一方向探索把语言模型、文本上下文和更细粒度的语义线索引入预测任务， 增强模型在跨域迁移和复杂场景中的情境理解能力。
CrossTimeNet
TokenCast
上下文建模
跨域预训练
把预测过程显式化为分析与反思
我们让模型具备链式分析、逐步决策、经验回看与记忆调用能力， 推动时间序列预测从黑箱前向计算走向可解释的认知过程。
TimeReasoner
Time-R1
MemCast
经验记忆
让预测系统具备规划、执行与协同能力
这一方向关注工具调用、人机协同与多智能体工作流，把预测系统从模型升级为可在环境中闭环执行任务的智能体。
AlphaCast
Cast-R1
CastClaw
Agentic Forecasting
代表性工作
Adaptive Normalization / GPHTF / TimeDART
代表了我们在非平稳性建模、生成式预测与自监督表征学习上的持续推进。
CrossTimeNet / TokenCast
代表了从纯序列建模走向多模态语义理解与跨域迁移的路线。
TimeReasoner / Time-R1 / MemCast
代表了慢思考、强化学习 reasoning 和经验记忆驱动预测三条主线。
AlphaCast / Cast-R1 / CastClaw
代表了人机协同、工具增强决策和多智能体工作流三类智能体式预测系统。