本周精选9篇时间序列领域前沿论文，覆盖时序预测与趋势分析、时序异常检测与表征学习、时序生成与动态建模等其他方向。

相关论文合集已经整理好，感兴趣的自取！

原文 资料 这里！

一、时序预测与趋势分析

1、Semiconductor Industry Trend Prediction with Event Intervention Based on LSTM Model in Sentiment-Enhanced Time Series Data

作者：Wei-hsiang Yen, Lyn Chao-ling Chen

亮点：创新性将深度学习（LSTM模型）与情感分析融合到传统商业模式分析中，以台积电为研究对象聚焦台湾半导体行业趋势预测；针对半导体行业市场变化快、晶圆技术迭代迅速，传统数据分析难以应对高多样性时序数据的问题，采集台积电季度报告中的文本数据（含财务信息）与时序数据，通过情感分析融入企业内部事件与全球外部事件的干预影响，构建情感增强时序数据集；最终预测结果精准反映台积电晶圆技术发展动态及全球市场潜在风险，且与台积电产品发布新闻、国际行业新闻高度匹配，为半导体行业研究与商业决策提供双重价值信息。

论文：https://arxiv.org/abs/2511.15112

Comments：Accepted in Taiwan Academic Network Conference (TANET 2025)

2、Adapformer: Adaptive Channel Management for Multivariate Time Series Forecasting

作者：Yuchen Luo, Xinyu Li, Liuhua Peng, Mingming Gong

亮点：针对多变量时序预测（MTSF）领域传统方法的核心缺陷——“通道独立（CI）”策略无法利用变量间潜在交互信息、“通道依赖（CD）”策略易引入冗余信息导致过拟合与预测低效，提出Adapformer新型Transformer框架；核心创新为双阶段编码器-解码器架构：一是自适应通道增强器（ACE），通过选择性融合关键通道依赖丰富令牌表征；二是自适应通道预测器（ACF），聚焦高相关性协变量优化解码过程，大幅降低噪声与冗余；在多类数据集上验证，不仅预测精度超越现有模型，还显著提升计算效率，成为MTSF领域当前state-of-the-art方案。

论文：https://arxiv.org/abs/2511.14632

Comments：Journal ref: Neural Networks Volume 193 (2026) Article Number 107988

3、Time series learning in a many-body Rydberg system with emergent collective nonlinearity

作者：Zongkai Liu, Qiming Ren, Chris Nill, Albert Cabot, Wei Xia, Yanjie Tong, Huizhen Wang, Wenguang Yang, Junyao Xie, Mingyong Jing, Hao Zhang, Liantuan Xiao, Suotang Jia, Igor Lesanovsky, Linjie Zhang

亮点：以相互作用的里德堡原子为实验平台，利用其可控复杂性与直观可解释性，探索多体量子系统在时序学习中的应用潜力；通过调制激光场拉比频率将时序数据输入系统，发现关键规律：在非平衡相变点附近，原子集体效应被显著放大，系统学习输入时序的能力同步增强，时序预测准确率大幅提升；以洛伦兹时序数据、实际温度时序数据为实例验证，证实多体量子系统中的涌现现象可有效强化数据处理与预测能力，为量子时序学习领域提供全新研究思路。

论文：https://arxiv.org/abs/2511.15047

二、时序异常检测与表征学习

1、Fourier-KAN-Mamba: A Novel State-Space Equation Approach for Time-Series Anomaly Detection

作者：Xiancheng Wang, Lin Wang, Rui Wang, Zhibo Zhang, Minghang Zhao

亮点：针对现有Mamba基状态空间模型在时序异常检测中难以捕捉复杂 temporal 模式与非线性动力学特征的问题，提出Fourier-KAN-Mamba混合架构；融合三大核心模块优势：Fourier层提取多尺度频率特征，覆盖不同时间维度的异常信号；Kolmogorov-Arnold Networks（KAN）增强模型非线性表征能力，适配复杂数据分布；Mamba选择性状态空间模型保障长序列建模效率，同时新增时间门控控制机制进一步提升正常/异常模式区分度；在MSL、SMAP、SWaT三大权威数据集上实验，性能显著优于现有state-of-the-art方法。

论文：https://arxiv.org/abs/2511.15083

原文 资料 这里！

三、时序分析在垂直领域的应用

1、A Quantitative Framework for Assessing Sleep Quality from EEG Time Series in Complex Dynamic Systems

作者：Gi-Hwan Shin

亮点：针对睡眠质量（SQ）量化难的问题，基于EEG时序数据构建定量评估框架，通过相位-振幅耦合（PAC）分析揭示SQ的神经生理基础；发现核心规律：睡眠与静息状态（RS）下，β波功率、δ波连接性呈现独特时序模式，且工作记忆反应时间与SQ存在关联；其中δ-β PAC特征在SQ良好人群中显著更强，且与SQ呈正相关；基于该特征训练机器学习模型，实现个体水平SQ精准分类，性能超越其他EEG特征（如单一波段功率、其他耦合模式），确立δ-β PAC为量化SQ的稳健电生理标志物。

论文：https://arxiv.org/abs/2511.15012

Comments：Doctoral dissertation, Korea University, 2025

2、Decoupling Urban Food Accessibility Resilience during Disasters through Time-Series Analysis of Human Mobility and Power Outages

作者：Junwei Ma, Bo Li, Xiangpeng Li, Ali Mostafavi

亮点：以2024年休斯顿飓风Beryl为案例，整合两类核心时序数据——17.3万条15分钟级电网停电记录、125万条3187个食品设施访问记录，量化灾害期间电网故障与食品服务可达性的动态耦合关系；构建每日评估指数（停电强度/持续时间、食品访问冗余度/频率/距离），通过滞后相关分析发现2天关键滞后效应：食品访问量在飓风登陆日（7月8日）达低谷，停电严重度在7月10日达峰，滞后2天的负相关性最强，4天后相关性消失；通过DTW k-means聚类划分4种“停电-访问”复合类型，筛选出294个需重点保障的关键食品设施，为灾害恢复阶段的靶向干预提供依据。

论文：https://arxiv.org/abs/2511.14706

3、Lightweight Foundation Model for Wireless Time Series Downstream Tasks on Edge Devices

作者：Mohammad Cheraghinia, Eli De Poorter, Jaron Fontaine, Kwang Soon Kim, Merouane Debbah, Adnan Shahid

亮点：针对无线领域多时序下游任务（远程技术识别、近程技术识别、调制识别、视距检测）传统独立建模成本高、大型Transformer模型不适合边缘设备的问题，提出基于MLP编码器的轻量级时序基础模型；模型仅含2.1万可训练参数，支持IQ信号、CIR信号两种输入类型及不同采样率，在常见边缘设备上推理时间仅0.33ms；与Transformer对比，模型在新增下游任务时无性能下降，对未见过的数据类别的微调准确率超97%，兼顾轻量化与泛化能力，适配边缘设备实时部署需求。

论文：https://arxiv.org/abs/2511.14895

Comments： Accepted to a workshop in the IEEE GLOBECOM 2025

四、时序生成与动态建模

1、Towards Stable and Structured Time Series Generation with Perturbation-Aware Flow Matching

作者：Jintao Zhang, Mingyue Cheng, Zirui Liu, Xianquan Wang, Yitong Zhou, Qi Liu

亮点：针对时序生成中局部扰动导致结构不一致的核心问题，提出PAFM（Perturbation-Aware Flow Matching）框架；三大创新设计：一是扰动引导训练，模拟真实场景中的局部干扰，提升模型对扰动的适应性；二是双路径速度场，精准捕捉扰动下的轨迹偏差，增强对扰动行为的精细建模；三是混合专家解码器与流路由，动态分配建模能力以适配不同轨迹动态，同时提升对轨迹扰动的敏感性与模型表达能力；在无条件、条件时序生成任务上均优于强基线，代码已开源便于复现。

论文：https://arxiv.org/abs/2511.14488

开源代码：https://anonymous.4open.science/r/PAFM-03B2

Comments：KDD2026

2、 Simulated Human Learning in a Dynamic, Partially-Observed, Time-Series Environment

作者：Jeffrey Jiang, Kevin Hong, Emily Kuczynski, Gregory Pottie

亮点：构建动态、部分可观测的时序环境模拟课堂场景，包含学生-教师多类型干预（辅导会话、讲座、考试），支持不同程度的“探测干预”（通过额外测试收集学生状态信息）；开发强化学习（RL）智能辅导系统（ITS），核心能力是融合个体学生状态学习与群体数据信息，平衡“探测干预提升状态估计精度”与“过度探测干扰学习过程”的成本；对比标准RL算法与贪心规则启发式方法，发现两者效果相近，但RL在学生群体分布变化时灵活性更优；还证实模型在“测验+期中”课程结构中性能提升显著优于“仅期末”结构，为个性化教育时序动态建模提供实践参考。

论文：https://arxiv.org/abs/2511.15032

Comments：Manuscript in preparation for IEEE Transactions on Education, 20 pages, 6 figures, 5 tables; MSC Class: 97U50 ACM Class: I.2.6; I.2.8; I.2.1; K.3.1; K.3.2

原文 资料 这里！