时间序列预测研究综述：问题定义、方法论分类体系与未来展望

《IEEE Transactions on Knowledge and Data Engineering》：A Comprehensive Survey of Time Series Forecasting: Concepts, Challenges, and Future Directions

　　

摘要：

时间序列预测（TSF）是各种决策场景中的基础任务，例如商业智能、能源管理、医疗保健和科学发现等领域。过去几十年来，时间序列预测已被广泛研究，其方法已从传统的统计模型演进为近期的数据驱动深度学习技术。然而，尽管取得了迅速进展，TSF 文献仍然缺乏统一的问题定义，以及对其实体的、数据特征和核心挑战的系统分析。特别是，关于现有 TSF 模型如何应对数据稀疏性、长程依赖性、非平稳性、缺失观测值、不规则采样以及协变量利用等关键问题，仍需系统性的理解。本综述从问题和方法论两个角度，提供了 TSF 的全面且结构化的概述。我们首先识别了 TSF 中涉及的关键实体，并分析了它们的基本特征，如频率、长度、缺失值和分布偏移等。随后，我们提出了一个通用的问题定义，并总结了塑造 TSF 研究的主要挑战。在此基础上，我们提出了一种分类体系，从预处理和预测两个角度整理了代表性方法，涵盖传统统计方法、机器学习模型、深度神经架构以及新兴的数据驱动范式，如基础模型和基于大语言模型的预测方法。此外，我们还探讨了重要的研究趋势，包括迁移学习、可信预测、标准化评估以及其他新兴方向。最后，我们概述了可能进一步推动 TSF 在复杂真实世界场景中发展的未来机遇和部署挑战。相关论文列表可在 https://github.com/USTCAGI/Awesome-Papers-Time-Series-Forecasting 获取。