Tutorial简介

Tutorial目标

Tutorial 第一部分：基于深度学习的时间序列分析

摘要：近年来，深度学习技术显著提升了时间序列分析的能力，在预测、异常检测与分类等任务中展现出强大性能。本报告系统介绍基于深度学习的时间序列建模方法，涵盖主流网络架构如CNN、RNN、Transformer等及其在多变量、长序列建模等典型问题上的改进。同时，探讨当前研究面临的挑战，尤其是在通用性与易用性方面，模型的自动化构建、跨任务与跨领域的泛化能力等问题。通过本报告，听众将全面了解深度时间序列分析的技术演进与前沿挑战，为后续研究与应用提供方向参考。

Tutorial 第二部分：自动化时间序列分析

摘要：近年来，时间序列分析被广泛应用于各行各业，如交通、金融、天气等领域。许多神经网络模型被特化设计以解决特定场景下的时序分析任务。然而，目前并没有能同时适用于任何场景的端到端模型。自动机器学习（AutoML）提供了新颖的技术路线，通过模型自动选择、模型自动集成或模型自动设计，为各种新场景自动化构建最合适的模型。本报告将重点介绍模型自动设计与神经架构搜索，其中AutoCTS系列作为时序自动分析的代表工作，提供了成体系的解决方案，涵盖搜索空间，搜索算法，以及泛化范式。

Tutorial 第三部分：时间序列基础模型

摘要：随着时间序列数据规模和多样性的增长，以及众多领域的应用需求的提升，构建通用且可迁移的时间序列基础模型成为研究热点。本报告聚焦面向预测、异常检测与分类任务的时间序列基础模型，系统介绍其构建关键要素：预训练数据的选择与构建、可泛化的模型架构设计以及训练策略，从上述层面介绍当前主流方法与模型。最后，报告简要介绍时间序列基础模型在金融预测、智能运维、能源调度、医疗监测等实际场景中的应用案例，展示其在真实世界中的潜力与价值。通过本报告，听众将全面了解时间序列基础模型的技术体系与发展动向，为后续研究与落地实践提供参考。

Tutorial 第四部分：公平全面的时序模型评测

摘要：时间序列广泛存在于经济、交通、健康、能源等多个关键领域，其预测与异常检测在实际应用中具有重要意义。为推动相关技术的发展，研究者提出了大量分析方法。然而，要确保领域的持续进步，必须以全面、可靠的方式对这些方法进行评估与比较。当前的评测基准普遍存在若干问题，如：1）数据覆盖领域有限；2）对传统方法存在刻板偏见；3）实验流程不统一、缺乏灵活性等。针对上述挑战， 本报告将重点介绍团队所开展的一系列基准研究，致力于构建更科学、系统的评测体系，旨在实现对算法性能的公平、全面与可复现的评估，为未来时序建模研究与应用提供坚实基础。