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。
六大技术路径
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。
构建面向时间序列的大规模基础模型
探索统一架构下的时序基础模型，涵盖大规模多域预训练、零样本迁移与跨任务泛化， 推动时间序列走向像语言模型一样的通用智能范式。
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。
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。
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。
代表性工作
ConvTimeNet / Slice-level Adaptive Normalization
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。
TimeMAE / TimeDART / GPHT
代表了通过大规模无监督预训练学习更具迁移性时序表征的探索路线。
时序基础模型系列 Coming Soon
代表了我们在大规模多域预训练与零样本跨任务泛化方向的探索。
TokenCast / CoGenCast
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。
应用研究 Benchmark
任务介绍与公开数据集汇总
涵盖 GEFCom、ISO-NE、AEMO、ENTSO-E、ETT、ECL 等 28 个主流公开数据集， 按竞赛、系统运营商、深度学习 Benchmark、智能电表等六大类分类整理， 并提供按研究场景的选用建议。