本周精选10篇时间序列领域前沿论文，覆盖4个时序方向：时间序列预测与泛化能力优化，时序数据驱动的跨领域应用，时间序列异常检测与事件预测，时间序列推理与不确定性量化方向。源码和论文感兴趣的dd。

原文 资料 这里！

一、时间序列预测与泛化能力优化

1、Tackling Time-Series Forecasting Generalization via Mitigating Concept Drift

作者：Zhiyuan Zhao, Haoxin Liu, B. Aditya Prakash

亮点：首次明确时间序列中的两种分布偏移类型（概念偏移和时间偏移），提出方法无关框架ShifTS，通过软注意力机制挖掘不变模式，先缓解时间偏移再解决概念偏移，显著提升模型预测泛化性。

论文：（arxiv论文网址：https://arxiv.org/abs/2510.14814）

Comments：17 pages, 6 figures, 4 tables

2、Enhancing Time Series Forecasting through Selective Representation Spaces: A Patch Perspective

作者：Xingjian Wu, Xiangfei Qiu, Hanyin Cheng, Zhengyu Li, Jilin Hu, Chenjuan Guo, Bin Yang

亮点：提出选择性表示空间（SRS）模块，通过可学习的选择性补丁和动态重组技术自适应筛选时序数据中的有效补丁，作为即插即用模块可增强现有补丁基模型性能，所提SRSNet在多领域数据集上实现SOTA性能。

论文：（arxiv论文网址：https://arxiv.org/abs/2510.14510）

开源代码：https://github.com/decisionintelligence/SRSNet

3、Accurate Bayesian inference for tail risk extrapolation in time series

作者：David L. Carl, Simone A. Padoan, Stefano Rizzelli

亮点：基于广义帕累托分布构建贝叶斯框架，用于时序数据尾部风险外推，支持平稳边际分布和动态条件尾部分位数两种场景，推导了先验分布的渐近性质，在ARMA、GARCH等模型上表现优于传统贝叶斯和MLE方法。

论文：（arxiv论文网址：https://arxiv.org/abs/2510.14637）

4、Multivariate Time Series Forecasting with Gate-Based Quantum Reservoir Computing on NISQ Hardware

作者：Wissal Hamhoum, Soumaya Cherkaoui, Jean-Frederic Laprade, Ola Ahmed, Shengrui Wang

亮点：提出面向多元时间序列的门基量子储层计算（MTS-QRC），优化量子比特连接和深度适配NISQ硬件，在Lorenz-63和ENSO数据集上实现低MSE，硬件噪声可作为隐式正则化提升性能，验证了量子计算在时序预测中的实用性。

论文：（arxiv论文网址：https://arxiv.org/abs/2510.13634）

二、时间序列基础模型与评估方法

1、Generalist vs Specialist Time Series Foundation Models: Investigating Potential Emergent Behaviors in Assessing Human Health Using PPG Signals

作者：Saurabh Kataria, Yi Wu等

亮点：针对PPG信号健康评估任务，设计51个下游任务从7个维度全面对比通用型和专用型时序基础模型，发现全调优场景下专用模型胜率高出27%，为时序基础模型的选型和优化提供重要参考。

论文：（arxiv论文网址：https://arxiv.org/abs/2510.14254）

2、Time Series Foundation Models: Benchmarking Challenges and Requirements

作者：Marcel Meyer, Sascha Kaltenpoth, Kevin Zalipski, Oliver Müller

亮点：系统分析时序基础模型（TSFMs）评估中的关键挑战，包括数据集代表性不足、时空评估缺失、信息泄露风险等问题，提出基于真实样本外未来数据的评估原则，为TSFM评估体系构建提供指导。

论文：（arxiv论文网址：https://arxiv.org/abs/2510.13654）

3、Toward Reasoning-Centric Time-Series Analysis

作者：Xinlei Wang, Mingtian Tan, Jing Qiu, Junhua Zhao, Jinjin Gu

亮点：提出将时序分析重构为以推理为核心的任务，强调利用LLM的因果结构建模和可解释性优势，突破传统模式识别局限，实现与人类认知对齐的时序洞察，为多模态时序分析提供新范式。

论文：（arxiv论文网址：https://arxiv.org/abs/2510.13029）

三、时间序列异常检测与事件预测

1、**Enhancing Time-Series Anomaly Detection by Integrating Spectral-Residual Bottom-Up Attention with Reservoir Computing

作者：Hayato Nihei, Sou Nobukawa, Yusuke Sakemi, Kazuyuki Aihara

亮点：提出光谱残差储层计算（SR-RC）方法，融合无监督自下而上注意力机制与储层计算，在不扩大储层规模和牺牲效率的前提下提升异常检测精度，适配边缘设备部署需求，为实时时序异常检测提供实用方案。

论文：（arxiv论文网址：https://arxiv.org/abs/2510.14287）

2、Stable Prediction of Adverse Events in Medical Time-Series Data

作者：Mayank Keoliya, Seewon Choi, Rajeev Alur, Mayur Naik, Eric Wong

亮点：推出多模态医疗时序早期事件预测基准CAREBench，涵盖表格型EHR、ECG波形和临床文本数据，提出基于局部利普希茨常数的稳定性度量指标，揭示现有方法在精度与稳定性平衡上的不足。

论文：（arxiv论文网址：https://arxiv.org/abs/2510.14286）

开源代码：https://github.com/SeewonChoi/CAREBench

四、时序数据驱动的跨领域应用

1、Grazing Detection using Deep Learning and Sentinel-2 Time Series Data

作者：Aleksis Pirinen, Delia Fano Yela, Smita Chakraborty, Erik Källman

亮点：基于Sentinel-2卫星时序数据，采用CNN-LSTM集成模型实现牧场放牧状态二元预测，F1分数达77%， grazing牧场召回率90%，通过优先检测非放牧区域可使核查效率提升17.2倍，为土地利用合规监测提供高效工具。

论文：（arxiv论文网址：https://arxiv.org/abs/2510.14493）

开源代码：https://github.com/aleksispi/pib-ml-grazing

Comments：Code and models: https://github.com/aleksispi/pib-ml-grazing