深度分析
Black-Mamba：事件觸發記憶更新機制提升非平穩時間序列預測適應性
本研究提出Black-Mamba架構，一種測試時自適應預測模型，透過事件觸發的記憶更新機制解決非平穩時間序列預測中的概念漂移問題。傳統方法依賴即時預測誤差更新模型，容易將隨機雜訊誤認為持久漂移，導致不必要的更新與效率低落。
時間序列預測
深度分析
TempoWave 多小波數字嵌入提升大型語言模型於時間序列預測的精準度
本研究針對大型語言模型在時間序列預測上的數值介面瓶頸，提出多小波數字嵌入TempoWave，將每筆觀測轉為多尺度向量。實驗顯示在五個含情境資料集上，預測誤差均優於傳統數字切割與其他適配方法，且接近專業時序模型表現。此外，作者還提出單調鄰域一致性檢測，驗證嵌入向量保留數值排序，並說明在非平穩與極端值情況下的穩定性提升。
TimesFM
Google Research 開源 TimesFM 2.5：高效能 Decoder‑Only 時間序列預測基礎模型
GoogleResearch於2026年開源TimesFM時間序列基礎模型。新版本2.5參數縮減至2億、上下文長度提升至16k，支援連續分位數預測與LoRA微調。模型已嵌入BigQueryML、Sheets等服務，降低企業預測開發門檻成本。
深度分析
多速率混合專家 (MR‑MoE) 結合液態神經網路提升敗血症預測效能
多變量時間序列常呈現不規則取樣與多尺度動態，傳統RNN難以完整捕捉。研究提出在液態神經網路上結合多速率專家混合模型 (MR‑MoE)，並加入特徵與時間注意力，以分離快變與慢變資訊。實驗顯示在臨床敗血症預測上，MR‑MoE 取得比 LSTM、單一 LNN 及一般 MoE 更高的 AUROC 與 AUPRC，同時維持較佳計算效率。
速報
大型時間序列預測模型的正規化策略對效能影響重大
大型時間序列預測模型近年成為處理多元訊號的熱門方法，通常採用因果自迴歸架構，逐筆預測未來值。然而，實務資料常出現非平穩性，正規化成為緩解此問題的關鍵手段。傳統正規化在因果設定下可能洩漏未來資訊，近期提出因果正規化與僅使用初始觀測統計的做法，但其實際效益尚未明朗。
深度分析
新聞增強時間序列預測：結合重要性感知壓縮與過程獎勵模型的框架
本研究針對時間序列預測結合新聞的挑戰，提出重要性感知壓縮與 PRM 引導的補充新聞選取機制，動態分配壓縮預算保留關鍵資訊，兼顧上下文窗口限制與離線訓練的獎勵模型指導，線上僅使用凍結的過濾與壓縮模組，於金融、能源、交通與比特幣基準測試提升預測精度並減少迭代次數，顯著降低計算成本。
深度分析
CastFlow：角色專精代理工作流程提升時間序列預測精度
隨著大型語言模型在時間序列預測的應用日增，傳統一次性生成方式受限於模式抽取與特徵取得。CastFlow以規劃、行動、預測、反思四階段的代理工作流程，結合記憶模組與多觀點工具箱，支援多輪特徵蒐集與迭代修正。該框架採用凍結LLM負責規劃與反思，微調領域LLM執行數值預測，透過兩階段工作流程訓練提升穩定性。實驗顯示其在多項基準上優於現有模型，提升預測準確度。
KAN
自相關影響 Hessian 條件數，導致 KANs 頻譜偏好 — DCT-KAN 的實驗與分析
時間序列預測常以延遲觀測作為輸入且具高度自相關。研究指出自相關會在 KANs 中再度引入低頻偏好；透過理論推導顯示 Hessian 條件數受輸入自相關矩陣極端特徵值影響，並提出以離散餘弦轉換（DCT）做去相關預處理，實驗顯示可顯著減輕 KAN 在有自相關輸入下的低頻偏好與學習劣化。
深度分析
TimeSAF：LLM 引導的語意非同步融合提升時間序列預測效能
大型語言模型在時間序列預測中的應用面臨語意感知失調問題。TimeSAF 透過非同步融合將語意與時間特徵分離，使用可學習查詢聚合全域語意並階段式回注至時間骨幹。實驗顯示其在長期預測與少樣本遷移上均顯著優於現有方法。
深度分析
AR‑KAN：自迴歸加權增強 Kolmogorov‑Arnold 網路在時間序列預測的突破
傳統神經網路難以捕捉近週期訊號頻譜結構。研究者提出結合自迴歸模組與 Kolmogorov‑Arnold 網路的 AR‑KAN，理論上誤差上界較低，實驗驗證其在合成與實際資料上皆優於現有模型，顯示出卓越的預測效能。
深度分析
AlphaCast：結合人類智慧與大語言模型的互動式時間序列預測框架
時間序列預測在決策中關鍵，AlphaCast將其轉為類似專家多回合推理流程，結合特徵、知識庫與案例支援LLM，實驗證明其整體表現優於既有基線。