以下是时间序列领域必读论文的推荐清单，涵盖经典基础、深度学习主流模型、最新顶会论文和权威综述，并附简要说明，帮助你系统掌握该领域核心脉络：

一、经典统计与基础理论（入门必读）

1. Box, G. E. P., Jenkins, G. M., Reinsel, G. C., & Ljung, G. M. (2015). Time Series Analysis: Forecasting and Control.
   • ARIMA、季节性模型等时间序列分析经典教材，理论基础必读。
2. Hamilton, J. D. (1994). Time Series Analysis.
   • 经济时间序列分析权威教材，涵盖平稳性、单位根、协整等核心概念。

---

二、深度学习时间序列模型（主流必读）

RNN/LSTM/GRU系列

3. Hochreiter, S., & Schmidhuber, J. (1997). Long Short-Term Memory.
   • LSTM原论文，解决长期依赖问题，时间序列深度学习入门必读。
4. Cho, K., et al. (2014). Learning Phrase Representations using RNN Encoder–Decoder for Statistical Machine Translation.
   • GRU模型提出，适用于时间序列序列到序列任务。

CNN系列

5. Bai, S., Kolter, J. Z., & Koltun, V. (2018). An Empirical Evaluation of Generic Convolutional and Recurrent Networks for Sequence Modeling.
   • CNN在时间序列上的经典应用，证明其可媲美RNN/LSTM。

Transformer系列

6. Vaswani, A., et al. (2017). Attention Is All You Need.
   • Transformer原论文，时间序列注意力机制基础。
7. Wu, H., et al. (2021). Autoformer: Decomposition Transformers with Auto-Correlation for Long-Term Series Forecasting.
   • 首个针对时间序列长时预测的Transformer变体。
8. Zhou, H., et al. (2022). Informer: Beyond Efficient Transformer for Long Sequence Time-Series Forecasting.
   • 提出ProbSparse Attention，大幅提升长序列预测效率。
9. Liu, Y., et al. (2022). TimesNet: Temporal 2D-Variation Modeling for General Time Series Analysis.
   • 将一维时间序列转为二维张量，用CNN建模复杂时序变化，ICLR 2023。
10. Yu, H., et al. (2023). iTransformer: Inverted Transformers Are Effective for Time Series Forecasting.
    • 倒置Transformer结构，变量中心建模，ICLR 2024。

---

三、近年顶会前沿论文（跟踪热点）

多变量与跨维度建模

11. Zhang, Y., et al. (2023). Crossformer: Transformer Utilizing Cross-Dimension Dependency for Multivariate Time Series Forecasting.
    • 多变量时序预测，跨维度注意力机制，ICLR 2023。
12. Woo, G., et al. (2024). Unified Training of Universal Time Series Forecasting Transformers.
    • 通用时序预测Transformer，ICML 2024。

Patch与表示学习

13. Nie, Y., et al. (2022). PatchTST: Can Transformers Serve as a Replacement for Time Series Forecasting?
    • PatchTST提出，时间序列分块处理，ICLR 2023。
14. Liu, Y., et al. (2023). PITS: Learning to Embed Time Series Patches Independently.
    • Patch独立表示学习，提升泛化性。

基础模型与大模型

15. Das, A., et al. (2024). A decoder-only foundation model for time-series forecasting.
    • 时序基础模型，decoder-only结构，ICML 2024。
16. Cao, D., et al. (2023). Time-LLM: A Large Language Model for Time Series.
    • LLM用于时序预测，探索大模型时序能力。

---

四、综述与论文集合（快速掌握全貌）

17. Lim, B., et al. (2021). Temporal Fusion Transformers for Interpretable Multi-horizon Time Series Forecasting.
    • 综合模型与可解释性，综述性极强。
18. 腾讯云开发者社区《深度学习时间序列的综述》
    • 中文深度学习时序预测综述，涵盖RNN、CNN、Transformer等主流模型。
19. 知乎《值得关注的10篇时间序列领域论文》
    • 汇总2023-2024年顶会高影响力论文，含模型结构、大模型、多变量建模等。
20. CSDN《ICML 2024 时间序列论文总结》
    • 2024年ICML时间序列最新论文汇总，含预测、大模型、因果、生成等方向。

---

五、推荐阅读路径

• 入门：Box & Jenkins → LSTM/GRU → Transformer原论文
• 进阶：Autoformer/Informer → PatchTST → TimesNet/iTransformer
• 前沿：Crossformer、Time-LLM、ICML/ICLR最新论文
• 系统掌握：阅读综述（如腾讯云、知乎、CSDN汇总）+顶会论文集

---

附：论文资源获取

• GitHub开源代码库（如Time-Series-Library）
• arXiv（https://arxiv.org/list/cs.LG/recent）
• Google Scholar（搜索关键词“time series forecasting transformer”）

---

如需进一步细分方向（如异常检测、时序生成、因果分析等），可继续补充对应领域必读论文。祝你阅读顺利！

---