重识时间序列：算法与前沿
版本更新：
2026-04-05：ver-1.0
引言
时间序列，本质上是从海量（抑或稀疏）的历史数据中，挖掘世界运转的隐秘规律。
在过去的一年多时间里，我的主要研究方向是时间序列与深度学习的交叉领域。从传统的频域算法（傅里叶、小波变换），到 Transformer（PatchTST、TimesNet），再到如今前沿的状态空间模型（SSM）与无条件时序生成大模型（Flow Matching），我有幸在各类架构中进行了深度的实践与魔改，相关成果也陆续发表于 ICASSP、DASFAA 等国际顶会。
在这条探索之路上我发现，为了拟合特定的数据集，无数研究者绞尽脑汁寻找规律，却往往导致模型变得牵强、抽象，难以在真实工业界（如能源调度、量化金融）中落地。另一方面，初学者面对从 ARIMA 到大模型之间浩如烟海的文献，极易迷失方向。
撰写这篇文章的初衷，正是为了理清时间序列预测的演进脉络。在接下来的章节中，我将摒弃生涩的数学轮子，从大白话的底层逻辑出发，带你重识时间序列——探讨它有哪些传统基线，深度学习如何对其进行降维打击，以及当前的大模型究竟是革命还是噱头。同时，我也会毫无保留地分享我在科研中总结的架构创新经验与 GPU 加速技巧。
受限于个人大三学生的视野与能力，文中难免有偏颇或疏漏之处，恳请各位同仁斧正。
more >>
