本文整理2025年各大顶会中关于时间序列与时空领域的最新研究成果，共收录246篇论文，涵盖IJCAI、ICLR、AAAI、ICML、WWW、ICDE、KDD、SIGMOD等顶级会议，并附开源代码，供学术界和产业界参考。
- 时序预测：90篇
- 时序分类：18篇
- 时序建模：7篇
- 时序大模型：4篇
- 异常检测：18篇
- 表示学习：6篇
- 可解释性：3篇
- 时间patch：16篇
- 基础模型：4篇
- 时序数据处理：7篇
- 时间序列生成：7篇
- 不规则时序：6篇
- 应用-金融：2篇
- 应用-医疗：2篇
- 时空领域：6篇
- ……
部分论文创新点概览
【ICML2025】Time-VLM: Exploring Multimodal Vision-Language Models for Augmented Time Series Forecasting
方法：Time-VLM融合时序、图像与文本模态进行预测。通过提取时序特征并转化为图像以获取视觉信息，同时生成对应文本描述；三类特征融合后微调输出，适用于少样本及零样本场景。
创新点：
- 首次将预训练视觉语言模型（VLM）应用于多模态时序预测，利用模态互补提升预测精度。
- 设计检索、视觉转换与文本生成模块，实现时序数据与VLM的高效对接。
- 在少样本和零样本条件下表现优异，模型参数精简、计算效率高。
【ICLR2025】Root Cause Analysis of Anomalies in Multivariate Time Series through Granger Causal Discovery
方法：AERCA将异常视为外生变量干扰，采用编解码架构建模正常状态与因果关系。编码器识别外生变量并施加独立性约束，解码器重构观测数据；部署阶段通过偏离度与阈值判断异常时段及其根源。
创新点：
- 结合编解码结构与Granger因果发现，同步学习系统常态与变量间因果关系。
- 不仅能定位异常序列，还可精确识别异常发生时刻，提升根因分析细粒度。
- 在非线性与多重干扰场景下稳定性强，独立性约束有效提升建模效率。
【IJCAI2025】CASA: CNNAutoencoder-based Score Attention for Efficient Multivariate Long-term Time-series Forecasting
方法：CASA使用CNN自编码器替代Transformer中的自注意力机制，通过通道令牌化处理时序数据；在压缩与解压过程中捕捉跨维度依赖关系，近似计算注意力分数；仅替换注意力模块即可集成至现有框架，复杂度线性增长，内存降低77.7%，推理速度提升44%，多项指标领先。
创新点：
- 以CNN自编码器替代传统自注意力，通过压缩-解压机制捕获跨通道交互，计算复杂度随变量数量线性增长。
- 支持点级、补丁级、通道级令牌化，兼容主流Transformer架构，适配性强。
- 在多个数据集上性能领先，显著降低内存占用并提升推理速度，尤其适用于高维长序列预测。
【AAAI2025】Amplifier: Bringing Attention to Neglected Low-Energy Components in Time Series Forecasting
方法：Amplifier提出能量放大机制，解决低能量信号在预测中被忽略的问题。通过对频谱翻转增强弱信号，预测后再恢复原始能量分布；结合趋势与季节成分分解建模，引入半通道交互模块捕捉通道间的共性与差异，提升多变量预测精度。
创新点：
- 提出可插拔的能量放大技术，强化低能量成分表达，适用于多种预测模型升级。
- 结合信号分解策略，分别建模趋势与季节分量，更精准捕捉时间序列能量特征。
- 半通道交互模块有效挖掘通道间共性和个性信息，整体预测性能在多个数据集上处于领先水平。
