时间序列2025研究趋势，全部论文合集及代码

我对2025年六大国际顶会（AAAI、LCLR、ICML、IJCAI、KDD、WWW）收录的178篇时间序列相关论文进行多维度分析。从研究领域，技术趋势，应用场景三大方面。一次性带你了解时间序列到底还有哪些领域值得研究。

要点总结：

在研究领域分布上预测仍是核心，但技术上依赖LLM、扩散模型等跨领域工具深化；在应用场景上医疗与金融为主要落地场景，实用性需求（效率、可解释、隐私）成为重要创新方向。未来研究可重点关注基础模型与细分任务的适配性，极端场景（如高缺失、强非平稳）的解决方案，跨行业场景的迁移能力三大方向，同时建议结合会议定位选择研究与投稿策略。

扫描下方二维码，回复「时间序列」

免费获取全部论文合集及代码

一、数据概况

各会议论文数量及占比差异显著。论文信息涵盖研究领域、核心创新点、技术方法、应用场景等，具体如下：

二、研究领域分布，预测为绝对核心

时间序列预测（66篇，37.1%）为绝对核心，远超其他领域；异常检测（17篇，9.6%）、表示学习（14篇，7.9%）、分类（11篇，6.2%）构成第二梯队，四大领域合计占比60.8%，领域聚焦度高。

在细分领域方面

• 预测领域：覆盖“长期预测”“概率预测”“多变量预测”三大方向，ICML（20篇）、LCLR（14篇）贡献最多，技术上以Transformer改进、扩散模型为主；
• 异常检测：KDD（6篇）为主要阵地，聚焦“可解释检测”“无监督异常预测”，如MSHTrans；
• 表示学习：AAAI（4篇）、ICML（4篇）并重，以“频域掩码”“跨模态对齐”为创新点，如Frequency-Masked Embedding Inference；
• 综述与基准：IJCAI占比最高（3/9篇），涵盖神经微分方程、多模态时序等领域综述，为领域提供理论框架。

三、技术趋势方面，跨领域迁移与技术融合成主流

Top5高频技术

1. 传统方法+深度学习融合趋势明显：如Koopman算子与RNN结合、小波变换与Transformer结合；
2. 跨领域技术如LLM、ViT向时序领域迁移：代表性的有VisionTS（视觉掩码自编码器零样本预测）、ExoLLM（LLM外生变量预测）。

四、应用场景方面，医疗与金融为主要落地领域

在明确提及应用场景的68篇论文中，共覆盖四大行业：

• 医疗健康（22篇，32.4%）：核心任务为“电子健康记录生成”、“ICU死亡率预测”。技术上强调“多模态融合”与“隐私保护”；
• 金融财经（18篇，26.5%）：聚焦“风险预测”“基金分配”，技术特色为“因果增强”与“概率预测”；
• IoT与工业（15篇，22.1%）：以“传感器数据校准”、“设备异常检测”为主，重视“轻量级模型”与“安全存储”
• 交通与能源（13篇，19.1%）：核心是“交通流量预测”“电网负荷预测”，技术上以“多尺度建模”“域适应”为重点。

五、从论文看顶会时间序列研究趋势变化

1. 时间序列预测长期占据核心地位，但研究从“单一预测”向“概率化、长周期、多模态预测”深化，反映领域从“解决有无”向“解决优劣”转变；
2. LLM、扩散模型、ViT等跨领域技术的迁移，显著提升时序任务性能，成为2025年最核心的创新路径；
3. “效率优化”、“可解释性”、“隐私安全”相关论文占比达18.5%，远超2024年（约10%），反映领域从“理论研究”向“落地应用”倾斜；
4. ICML侧重“基础模型与理论”、KDD侧重“行业应用与数据挖掘”、IJCAI侧重“综述与基准构建”，研究者可根据研究方向精准选择投稿会议。

扫描下方二维码，回复「时间序列」

免费获取全部论文合集及代码