最近花了一周时间，给大家对2025时间序列各大顶会的论文进行了梳理，共整理了246篇，原文和源码都有。主要涉及：

·ICLR25（42篇）：涵盖时序基础模型、因果发现与时序、扩散模型与时序、小波变换与时序……

·ICML25（63篇）：涵盖多模态时序、GNN+时序、大模型+时序、KAN+时序……

·AAAI25（52篇）：涵盖patch+时序、xLSTM+时序、自回归+时序、傅里叶变换+时序……

·KDD25(46篇）：涵盖Mamba+时序、时序通用模型、transformer+时序、CNN+时序……

·WWW25（6篇）：涵盖多模态时序、频域+时序……

·IJCAI（16篇）：涵盖元学习+时序、时间序列生成、动态图+时序……

·ICDE（14篇）：涵盖迁移学习+时序、时序轻量化……

·SIGMOD（7篇）：涵盖时序聚类、时序可视化

扫描下方二维码，回复「时序顶会」

免费获取全部论文合集及项目代码

ICLR25

TimeMixer++: A General Time Series Pattern Machine for Universal Predictive Analysis

内容：这篇文章介绍了一个名为TIMEMIXER++的通用时间序列模式机（TSPM），旨在通过强大的表示能力和模式提取能力，在多种时间序列任务中表现出色。TIMEMIXER++ 通过多尺度时间成像（MRTI）、时间图像分解（TID）、多尺度混合（MCM）和多分辨率混合（MRM）来提取全面的时间模式，能够处理多尺度时间序列，并在 8 种时间序列分析任务（包括长期预测、分类、异常检测和插补等）中达到了最先进的性能水平。

ICML25

TimeFilter: Patch-Specific Spatial-Temporal Graph Filtration  for Time Series Forecasting

内容：这篇文章介绍了一种名为TimeFilter的新型时间序列预测框架，旨在通过细粒度的依赖关系建模来提高多变量时间序列预测的准确性。TimeFilter 通过将输入序列划分为非重叠的片段（patch），并构建时空图来捕捉片段间的复杂时空依赖关系。该框架的核心在于其Patch-Specific Filtration模块，能够通过动态路由机制和混合专家（MoE）风格的过滤器，自适应地筛选出与预测任务最相关的依赖关系，同时去除冗余信息。实验表明，TimeFilter 在多个真实世界数据集上均取得了最先进的性能，尤其在长期和短期预测任务中表现出色，证明了其在处理复杂动态交互数据方面的有效性。

扫描下方二维码，回复「时序顶会」

免费获取全部论文合集及项目代码

AAAI25

Unlocking the Power of LSTM for Long Term Time Series Forecasting

内容：这篇文章提出了一种基于 LSTM 的改进模型 P-sLSTM，用于长期时间序列预测。文章首先指出传统 LSTM 在时间序列预测中的局限性，如无法有效记忆长期信息。为了解决这些问题，作者引入了 sLSTM（一种改进的 LSTM 架构），并通过结合 patching 技术和通道独立性，显著提升了模型在时间序列预测任务中的性能。P-sLSTM 在多个真实世界的数据集上取得了最先进的结果，并且在效率和准确性之间取得了良好的平衡。

KDD25

SDE: A Simplified and Disentangled Dependency Encoding  Framework for State Space Models in Time Series Forecasting

内容：这篇文章提出了一种名为SAMBA的新型长期时间序列预测模型。文章首先识别并定义了时间序列中的三种关键依赖关系：时间维度的顺序依赖和语义依赖，以及变量维度的跨变量依赖。为了有效捕捉这些依赖关系，SAMBA 在简化版的 Mamba 模型基础上引入了一种解耦的依赖编码策略，能够分别处理时间和变量维度的依赖关系，从而避免两者之间的相互干扰。通过在九个真实世界数据集上的广泛实验，SAMBA 展示了其优越的性能，证明了解耦编码策略的有效性，并为未来的时间序列预测模型设计提供了新的视角。

WWW25

Learning Disentangled Representation for Multi-Modal  Time-Series Data

内容：文章提出学习多模态时间序列数据的解耦表示）可能涉及从多模态（如文本、图像、音频等不同模态）时间序列数据中提取出相互独立（解耦）的特征表示，以便更好地理解数据中的不同因素（如内容、风格、噪声等），从而提高下游任务（如分类、预测等）的性能和模型的泛化能力。

IJCAI25

T2S: High-resolution Time Series Generation with Text-to-Series Diffusion Models

内容：这篇文章介绍了一个名为 T2S的高分辨率时间序列生成模型，它基于扩散模型框架，旨在通过文本描述生成与之语义对齐的时间序列数据。文章的主要贡献包括：提出了一个包含超过 60 万对高分辨率文本 – 时间序列对的新数据集 TSFragment-600K；设计了一个领域无关的模型架构，能够生成任意长度的时间序列；并通过大量实验验证了该模型在多个领域数据集上的优越性能，证明了其在时间序列生成任务中的先进性。

扫描下方二维码，回复「时序顶会」

免费获取全部论文合集及项目代码