1、Generative Pretrained Hierarchical Transformer for Time Series Forecasting

paper: https://dl.acm.org/doi/abs/10.1145/3637528.3671855

code：GitHub - SiriZhang45/FRNet: Code Implementation of FRNet

2、Fredformer: Frequency Debiased Transformer for Time Series Forecasting

paper: https://dl.acm.org/doi/abs/10.1145/3637528.3671928

code:GitHub - chenzRG/Fredformer

3、Self-Supervised Learning of Time Series Representation via Diffusion Process and Imputation-Interpolation-Forecasting Mask

paper：Self-Supervised Learning of Time Series Representation via Diffusion Process and Imputation-Interpolation-Forecasting Mask | Proceedings of the 30th ACM SIGKDD Conference on Knowledge Discovery and Data Mining

code:https://github.com/llcresearch/TSDE

简介：时间序列扩散嵌入（TSDE）作为第一个基于扩散模型的时间序列表示学习（TSRL）的无监督学习方法，弥合了利用扩散模型进行时间序列表示学习的差距。TSDE使用一个插补-插值-预测（IIF）掩码将时间序列数据分割为观测部分和掩码部分。它对一个可训练的嵌入函数应用了观测部分，该函数具有双重正交的Transformer编码器以及交叉机制。我们训练了一个反向扩散过程，该过程基于嵌入，旨在预测添加到掩码部分的噪声。大量的实验表明，TSDE在插补、插值、预测、异常检测、分类和聚类方面的优越性。

4、关于无需提前做缺失值填充，直接使用 GinAR 网络解决变量缺失问题（待自己实验测试效果）

paper:GinAR: An End-To-End Multivariate Time Series Forecasting Model Suitable for Variable Missing | Proceedings of the 30th ACM SIGKDD Conference on Knowledge Discovery and Data Mining

解毒：

AI论文速读 | 2024[KDD]GinAR—变量缺失端到端多元时序预测_ginar: an end-to-end multivariate time series fore-CSDN博客

5、基于异步时空图卷积网络的不规则交通时间序列预测

        核心贡献：

•         异步空间依赖性（Asynchronous Spatial Dependency）：由于不同路口的交通信号周期开始时间和长度可能不同，导致不同车道的交通状态测量在时间上无法对齐，这使得在空间依赖性建模方面存在异步性。
•         不规则时间依赖性（Irregular Temporal Dependency）：每个车道的未来交通状态与其历史状态相关，但由于信号周期长度的变化和传感器数据缺失问题，导致时间间隔的不规则性，这使得时间依赖性建模变得复杂。
• 预测序列长度可变（Variable-length Sequence to be Predicted）：目标是预测下一个时间窗口内所有车道的完整交通状态序列，但由于信号周期长度在不同路口和时间的变化，需要预测的序列长度通常是可变的。

————————————————
原文链接：

AI论文速读 | 2024[KDD]ASeer基于异步时空图卷积网络的不规则交通时间序列预测_irregular traffic time series forecasting based on-CSDN博客