最火、最全的时序预测综述：一个视角读懂十年进展｜TPAMI-26
过去十年，时序预测在金融、能源和制造等领域得到广泛应用，扩散模型和时序基础模型相继涌现。广泛的应用需求与活跃的方法创新，共同推动了该领域的快速发展。在此背景下，北大林宙辰团队发布综述论文，系统回顾了近十年该领域的研究进展。
这篇论文的特色在于：以统一的 “自相关建模” 为主线，梳理相关方法的演进脉络：不仅涵盖骨干架构，也系统讨论了以往综述较少关注的损失函数。文章指出，许多看似分散的设计都可以理解为对自相关的不同处理：扩大感受野、简化自相关结构、消除隐含的独立性假设。此外，文章对每一类方法都先给出最小实现，再以此为基础介绍后续改进；帮助读者溯源文献的同时，读懂改进动机与发展过程。
论文标题：Deep Time-Series Forecasting in 10 Years: A Survey
论文链接：https://arxiv.org/abs/2603.19899
发表链接：https://ieeexplore.ieee.org/document/11731513
Github 仓库： https://github.com/Master-PLC/Awesome-TSF-Papers
一、自相关建模是时序预测的关键
在时间序列中，同一变量在不同时刻的观测值往往相互关联；这种自相关特性是时间序列区别于一般表格数据的重要特征。例如，今天的气温通常与昨天的气温有关。如图 1 所示，不同的时间序列形态对应着不同的自相关结构。如何有效建模这种自相关结构，是时序预测的关键。
在统计建模阶段，ARIMA 等经典方法已通过滞后项显式建模自相关。深度学习阶段，其挑战仍然存在：自相关既存在于作为输入的历史序列中，也存在于作为监督信号的未来序列中。据此，本文从自相关出发，梳理时序预测的两个关键问题：
如何设计骨干架构，对输入序列中的自相关建模？
如何设计损失函数，对标签序列中的自相关建模？
图 1：常见时间序列形态及其自相关函数。其中，趋势序列通常表现出较强的正相关；周期序列的相关性则随滞后呈现正负交替；季节性序列往往在季节周期的整数倍处出现显著峰值。
二、以自相关建模为中心的分类谱系
图 2：围绕自相关建模的文献分类方法。
上图展示了本文的文献分类框架。第一层分为骨干架构与损失函数两条主线，分别对应前述两个关键问题；第二层则依据具体建模思路进一步细化。两条主线在展示篇幅上大致对等，均以自相关建模为核心，但关注的对象不同：骨干架构专注输入序列（X），损失函数专注标签序列（Y）。这一框架为后文梳理两类方法的演进脉络提供了统一视角。
三、骨干架构谱系：建模输入序列中的自相关
图 3：代表性非 Transformer 架构概述。
本文首先对传统预测模型进行了回顾。
RNN 曾是时序建模的首选：隐状态随时间递归更新，自然契合自相关特性。但这一机制也带来两方面局限。首先，传统 RNN 的状态更新依赖前一步结果，难以沿时间维度并行计算。其次，有限维隐状态需要不断压缩历史信息，远距离依赖因而难以稳定保留。近年来，Mamba 等选择性状态空间模型受到关注，也可以从这两方面理解：借助并行扫描提高长序列处理效率，并通过 HiPPO 提升记忆单元，在理论上实现无损记忆。
CNN 最初主要用于图像处理；应用于时间序列时，一维卷积通过聚合相邻时刻的信息，刻画局部自相关关系。但标准卷积的单层感受野有限，如何捕捉更长跨度的历史信息，成为后续方法关注的问题。一类方法在时域扩大有效感受野来覆盖更长的历史，例如膨胀卷积、大核可分离卷积等等，在控制计算开销的同时扩大覆盖范围。另一类方法通过频域滤波获取输入数据的表征，例如 FiLM、FilterNet 等等。其原理是根据卷积定理，频域滤波等价于全感受野的时域卷积。
DLinear 展示了简单线性模型的有效性。在部分基准任务中，其取得了与复杂模型相当的表现。然而，线性映射难以充分刻画非线性、非平稳及多周期交织的自相关特性。围绕这一局限，后续方法主要沿两个方向发展。一是对数据做变换以降低建模难度：DLinear 通过分解区分不同成分并分别处理，RLinear 借助归一化缓解分布变化。二是增强模型的表达能力：TiDE 和 TSMixer 引入 MLP 建模非线性，TimeMixer 进一步通过多尺度建模增强表达能力。
图 4：代表性 Transformer 架构概述，圆形节点代表模型输入和输出，彩色块表示使 Transformer 适应时间序列预测的主要修改。
本文进一步梳理了基于 Transformer 的预测模型。Transformer 使用自注意力机制建模自相关；然而，直接以单个时间点的观测作为输入，往往难以表征时序语义信息。例如，单独一个气温数值的信息有限；必须结合相邻时刻的变化，才能判断它处于升温趋势还是短期异常。为解决这一问题，Tokenizer 将连续时间步组织成一个 token，使模型先获得局部上下文，再学习片段之间的长期依赖。这个设计后来几乎成了 Transformer 时序模型的标配。
在此基础上，研究者进一步思考：LLM 强大的序列建模能力能否用于时序自相关建模？为了实现这一点，需要把输入序列的表征和 LLM 的输入表征对齐。本文综述总结了四种对齐范式：查询范式将时序信息转写为文本提示，直接利用大语言模型进行预测，但效果受数值信息表达能力限制；重编程范式将时序片段映射到词嵌入空间，无需微调 LLM 即可完成适配；微调范式通过更新少量参数，使预训练模型适应时序数据；预训练范式则直接利用大规模时序数据训练专用基础模型，如 Timer-XL、Chronos 等，展现出零样本预测能力。
四、损失函数谱系：建模标签序列中的自相关
现有综述大多将损失函数视作实现细节，仅一笔带过。本文则指出，损失函数决定着模型训练中的优化方向，同样值得关注。这一问题在时序预测中尤为突出：未来各时刻并非彼此孤立，损失函数能否有效建模标签序列的自相关特性，是一个重要挑战。以均方误差（MSE）为例，它逐点计算并汇总预测误差；在概率解释下，若进一步假设各预测步的误差相互独立，最小化 MSE 便等价于最大化似然。然而，一旦标签序列存在自相关，上述独立假设便不再成立，MSE 相对于真实似然函数是有偏的损失。因此，如何在损失函数中建模标签序列的自相关，是时序预测中的一个特色问题。围绕这一问题，现有方法可梳理为四类。
第一类方法仍以似然函数作为损失，但力求将其构造得准确，具体有两条路径。其一是标签变换：既然 MSE 隐含标签解相关的假设，一个自然的做法是先将标签变换到解相关空间，再在其上计算损失。代表方法包括 FreDF 的离散傅里叶变换与 Time-o1 的主成分白化，二者保证所得标签分量去相关，从而使 MSE 的去相关假设更接近真实。其二是协方差建模：不同于变换标签，这条路径显式估计标签的条件协方差矩阵，再用它计算完整的负对数似然作为训练目标，如 QDF 即借助元学习来获取条件协方差矩阵。
图 6：基于似然估计的损失函数计算过程
第二类方法从形状对齐出发构造损失。其基本假设是：自相关体现在标签序列的波形之中，因此损失函数应关注 “预测波形与真实波形是否匹配”，而非逐点误差的大小。DTW 是度量波形差异的经典方法，但其本身不可微，无法直接用于梯度优化；SoftDTW 对 DTW 做软松弛，使其成为处处可微的损失，从而支持端到端训练。这类损失在需要相位不变性的场景中尤为有效：以心电信号为例，若预测整体滞后半拍但波形形状正确，仍远比形状失真的预测更有价值。
图 7：基于形状对齐的损失函数计算过程
第三类方法从分布对齐出发构造损失。其核心思想是：自相关特性体现在标签序列的条件分布之中，因此，通过拉近预测序列与标签序列的条件分布来构造损失，即可将标签自相关纳入训练目标。此类方法的关键在于概率分布距离的构造，现有做法可分为两类：一类直接以现有的分布距离作为损失，比如，DistDF 用沃瑟斯坦距离、KMB-DF 用 MMD 距离；另一类借鉴对抗学习的思想，自适应地学习分布距离 —— 训练判别器使其无法区分预测序列与标签序列，从而实现分布对齐。
图 8：基于分布平衡的损失函数计算过程
第四类方法从条件生成出发构造损失。这类方法不再直接回归未来值，而是将预测视为生成任务，借助生成模型的推理机制来建模自相关。具体有两条路径：一条是以 CSDI 为代表的扩散生成，通过逐步去噪生成未来序列；另一条是以 DeepAR 为代表的自回归生成，每一步的生成都依赖先前的输出，从而将未来显式分解为链式依赖。条件生成范式的核心优势在于，它从根本上规避了自相关偏差 —— 生成过程本身就假设了序列依赖结构，无需像 MSE 那样引入独立性假设。
图 9：基于条件生成的损失函数计算过程
五、围绕自相关建模的工作展望
上述梳理表明，自相关建模是贯穿时序预测研究的一条重要主线，推动了大量方法的提出与改进。在此基础上，本文从四个方面展望未来的研究方向，此处列举两个：
其一，应对真实场景中的自相关建模挑战。真实时序数据往往存在测量噪声、分布漂移与观测缺失等问题。对于测量噪声，可探索面向连续标签的去噪学习方法；对于分布漂移，可引入域适应、域泛化与测试时适应等技术，兼顾对分布变化的响应与鲁棒性；对于观测缺失，常见做法是先补全、后预测，但补全误差可能扭曲时间结构，进而影响预测质量。因此，直接基于不完整观测进行预测，以及多采样率数据的融合，同样值得研究。
其二，将自相关建模方法迁移至变量依赖建模。在多变量预测中，不同变量或通道之间的相关性同样影响预测性能。用于自相关建模的绝大部分方法（如自注意力、标签变换）可直接拓展到变量维度；而如何设计同时刻画自相关与变量依赖的网络架构与损失函数，仍有较大的研究空间。
结语
近年来，各类预测模型迅速发展，新方法不断涌现。借助自相关建模这一统一视角，本文试图回答两个相互关联的问题：深度时序预测的核心挑战是什么？现有方法又是如何应对的？自相关不再是统计学教科书中的抽象术语，而是深度学习时代设计预测方法时必须建模的重要对象。无论是设计更优的架构，还是构造更合理的损失函数，绕不开同一个问题：我们是否更好地理解并建模了时间序列内在的依赖结构？对自相关的理解与建模，始终是这个领域的特色与核心问题。
作者团队
本文通讯作者是北京大学李昊轩、林宙辰（IEEE Fellow）教授，与南加州大学、浙江大学、牛津大学、墨尔本大学、松鼠 AI、小红书等机构联合完成。本工作得到了北京市科学技术委员会、中关村科技园区管理委员会的大力支持，在此表示诚挚的感谢！