这篇 TPAMI-26 时序预测综述是当下时序预测领域最全、热度最高的综述文章，它没有零散罗列论文，而是用统一的视角把过去十年时序预测技术串起来，帮研究者、工程师快速理清从传统统计模型、深度学习到时序基础大模型整条技术路线的演变逻辑，解决很多人看论文时分不清模型定位、不知道技术迭代脉络的痛点。很多时序相关的论文、开源项目、实验对比都在引用这篇综述，就是因为它搭建了清晰的分类框架，把 RNN、CNN、Transformer、Mamba、时序基座模型各自适合什么场景、存在什么短板都梳理清楚，同时还点明了非平稳时序、跨域泛化、长序列预测、概率预测这些长期存在的行业难题，不管是做学术调研、选模型做工程落地，还是确定后续研究方向，这篇综述都可以作为核心参考资料。
一、十年时序预测发展阶段清单
| 阶段 | 时间区间 | 主流方案 | 核心特点 |
|---|---|---|---|
| 传统统计阶段 | 2016 年前 | ARIMA、指数平滑、Prophet | 可解释性强，适合单变量、平稳短序列，复杂非线性场景效果差 |
| 循环深度学习阶段 | 2016–2019 | LSTM、GRU、TCN | 能捕捉非线性时序，长序列容易梯度消失，多变量建模成本高 |
| Transformer 改造阶段 | 2020–2023 | Informer、Autoformer、iTransformer | 主打长距离依赖建模，优化注意力复杂度，长序列预测能力大幅提升 |
| 时序基座模型阶段 | 2024–至今 | Moirai、TimesFM、Chronos、TimeMoE | 大规模预训练，零样本、少样本跨数据集预测，通用时序能力 |
二、综述里的模型分类框架
- 基于循环结构：LSTM、SegRNN、xLSTM，优势是时序归纳偏置天然适配，短板是长序列推理慢、并行差
- 卷积类模型：TCN、TimesNet，擅长局部周期特征、多尺度模式，长距离依赖建模偏弱
- Transformer 及其变体：各类改进注意力、时序分解、Patch 机制，是过去几年长序列预测主力
- 简单线性 MLP 类：DLinear、NLinear，结构极简，很多基准数据集上不输复杂 Transformer，适合快速上线
- 结构化状态空间 Mamba 系列：TimePro、Mamba-TS，兼顾长序列效率和精度，现在工程落地越来越多
- 时序基础大模型：分为 Encoder-only、Decoder-only、Encoder-Decoder 三类，支持跨数据集通用预测
三、综述重点讨论的核心挑战
- 非平稳问题：时序分布随时间漂移，很多模型在分布偏移场景下直接失效
- 长时序预测：预测步长变大之后误差累积，长期预测可靠性不足
- 多变量耦合：变量之间存在复杂延迟依赖，简单拼接输入很难学到真实关联
- 数据稀缺：工业、医疗场景标注时序数据少，很难单独训练一个专属模型
- 可解释性：深度学习、时序大模型大多是黑盒，金融、电力等强监管场景落地受限
- 评估基准混乱：不同论文用不同数据集、不同指标，对比结果容易失真
四、阅读和使用这篇综述的实操步骤
- 先看综述的整体分类框架，先定位你自己的任务：是单变量 / 多变量、短序列还是超长序列、是否需要零样本跨场景
- 对照阶段划分，找到当前你要调研的模型属于哪一条技术路线，快速看懂它是为了解决上一代模型的什么缺陷
- 重点看综述里的对比结论，不要只看 SOTA，看清每个模型的适用边界，避免盲目选大模型
- 参考里面列出的公开数据集、评估指标（MAE、MSE、CRPS 等），统一自己的实验对比规范
- 最后看未来方向部分，用来确定选题、迭代工程方案，比如时序基座模型、因果时序预测、概率预测方向
五、阅读避坑提醒
- 这篇 TPAMI-26 综述是调研梳理框架，不是手把手调参教程，里面不会给具体模型代码
- 综述里的结论是基于已有论文的汇总，新出的模型不在里面，需要后续跟进最新论文
- 不要直接照搬综述结论到业务，工业场景噪声、缺失值、异常点会和公开基准数据集差异很大
- 时序基座模型不是万能的，数据量大、有稳定标注的场景，小模型微调后依然有更好性价比
【相关 FAQ】
问题 1：TPAMI-26 时序预测综述，为什么说它能一个视角读懂时序预测十年进展？
回答 1：TPAMI-26 时序预测综述搭建了统一的分类体系，没有零散堆砌论文，按照时序预测技术十年演进路线，从传统统计、RNN、Transformer 到时序基座模型依次梳理，统一对比不同模型的优缺点、适用场景，帮读者用同一个框架看懂时序预测十年进展，不用自己零散翻阅海量文献。
问题 2：TPAMI-26 时序预测综述里面，时序基础大模型主要分成哪几类？
回答 2：TPAMI-26 时序预测综述中将时序基础大模型分为三类：Encoder-only（掩码重建预训练，代表 Moirai、Moment）、Decoder-only（自回归预测，代表 TimesFM、TimeMoE）、Encoder-Decoder 架构（量化分词，代表 Chronos），不同架构在零样本、长序列、概率预测上各有侧重。
问题 3：看完 TPAMI-26 时序预测综述之后，做时序预测项目该怎么选模型？
回答 3：看完 TPAMI-26 时序预测综述之后，可以先判断你的任务类型：平稳短序列优先传统统计；中等长度多变量优先 iTransformer 或者 DLinear；超长序列优先 Mamba 类；缺少标注、跨数据集场景，才考虑时序基座大模型，同时还要结合综述提到的非平稳、分布漂移风险做预处理。
问题 4：TPAMI-26 时序预测综述重点指出时序预测领域还有哪些没有解决的难点？
回答 4：TPAMI-26 时序预测综述重点指出时序预测领域的难点包括时序非平稳漂移、长序列误差累积、多变量延迟依赖建模、业务标注数据稀缺、模型可解释性不足、评测基准不统一，这些也是时序预测十年进展里一直没能彻底解决的核心问题。
【参考资料】
[2026-09-12]（Deep Time-Series Forecasting in 10 Years: A Survey）IEEE TPAMI
[2026-08-24]（Into the ORBIT for Time Series: Training Regimes for Foundation Models）arXiv
[2026-07-28]（Foundation Models and Fine-Tuning: Toward a New Generation of Models for Time Series Forecasting）arXiv
[2026-03-10]（基于深度学习的时间序列预测方法综述）ASDS 期刊
【免责声明】
本文内容是对 TPAMI-26 时序预测综述的内容整理科普，仅用于学习参考，不构成学术结论或者工程落地的直接方案。综述原文观点、模型分类、实验结论以 TPAMI 官方正式刊发版本为准，时序预测领域新模型持续迭代，实际项目需要结合业务数据重新验证效果。
本文来自作者[锋芯信使]投稿，不代表环球科技潮立场，如若转载，请注明出处：https://www.zennew.com/rgzn/202611/1174.html
评论列表（4条）
我是环球科技潮的签约作者“锋芯信使”！
希望本篇文章《TPAMI-26 时序预测综述一个视角读懂时序预测十年进展》能对你有所帮助！
本站[环球科技潮]内容主要涵盖：科技,科技新闻,黑科技
本文概览：这篇 TPAMI-26 时序预测综述是当下时序预测领域最全、热度最高的综述文章，它没有零散罗列论文，而是用统一的视角把过去十年时序预测技术串起来，帮研究者、工程师快速理清从传统统计模型、深度学习到时序基础大模型整条技术路线的演变逻辑，解决很多人看论文时分不清模型定位、不知道技术迭代脉络的痛点。很多时序相关的论文、开源项目、实验对比都在引用这篇综述，就是因为它搭建了清晰的分类框架，把 RNN、CNN、Transformer、Mamba、时序基座模型各自适合什么场景、存在什么短板都梳理清楚，同时还点明了非平稳时序、跨域泛化、长序列预测、概率预测这些长期存在的行业难题，不管是做学术调研、选模型做工程落地，还是确定后续研究方向，这篇综述都可以作为核心参考资料。