awesome-time-series-analysis

这是一个精选的时间序列分析资源合集，涵盖时间序列领域的论文、基准测试、数据集和教程。合集组织方式包括时间序列分析任务（如预测、异常检测、分类、聚类、分割、插补）、金融人工智能、工具包等主题，旨在为研究人员和从业者提供全面的参考资料。This is a curated collection of time series analysis resources, covering papers, benchmark tests, datasets, and tutorials in the time series field. The collection is organized by topics including time series analysis tasks (e.g., forecasting, anomaly detection, classification, clustering, segmentation, imputation), financial artificial intelligence, toolkits, and other relevant themes, aiming to provide comprehensive reference materials for researchers and practitioners.

原始信息汇总

数据集详情总结

项目名称：Awesome Time Series Analysis
地址：https://github.com/qhliu26/awesome-time-series-analysis

项目简介：
该项目是一个精选的资源列表，涵盖时间序列分析领域的优秀论文、基准测试、数据集和教程。资源以时间序列分析任务为核心进行组织，并收录了金融领域的AI应用、工具包等相关内容。

主要内容：

• 教程与入门：

  • 提供多本经典书籍，如《Forecasting: Principles and Practice》（2021）等。
  • 收录NeurIPS 2024、ECML 2024、VLDB 2024等顶级会议的相关教程，涵盖大模型时代的时间序列、异常检测、分布外泛化等主题。

• 时间序列分析论文：

  • 通用时间序列分析：
    • 基准与综述：包括KDD 2024、ICML 2024、IJCAI 2023等会议上关于基础模型、大语言模型、Transformer在时间序列中应用的综述。
    • 相关论文：收录了ICML 2025、ICLR 2025、NeurIPS 2024等顶会上的代表性工作，如Sundial、TimeMixer++、Time-MoE、UniTS、Moment、Timer、Chronos、TimesFM等。
  • 预测（Forecasting）：
    • 基准与综述：包含VLDB 2024上的TFB基准。
    • 相关论文：收录ICML 2025、ICLR 2025、NeurIPS 2024等会议论文，如VisionTS、TimeBridge、TimeXer、CycleNet、Crossformer、RevIN等。
  • 异常检测（Anomaly Detection）：
    • 基准与综述：包括NeurIPS 2024、VLDB 2023、CSUR 2024等会议上的基准评估和综述，如TSB-AD、Timesead等。
    • 相关论文：收录ICML 2025、ICLR 2025、NeurIPS 2024等会议论文，如KAN-AD、CATCH、Anomaly Transformer、TranAD、DCdetector等。
  • 分类（Classification）：
    • 基准与综述：包含Data Mining and Knowledge Discovery 2019上的综述。
    • 相关论文：收录ICML 2025、NeurIPS 2024等会议论文，如SARC、UniMTS、VQShape、Con4m等。
  • 聚类（Clustering）：
    • 基准与综述：收录Data Mining and Knowledge Discovery 2023和Pattern Recognition 2005上的综述。

• AI in Finance：专题收录金融领域的AI相关论文，最近更新于2025年9月7日。

• 工具包（Toolkits）：整理了出色的时间序列分析工具包。

• 其他资源：链接更多相关Awesome列表。

主要更新：

• 2025年9月7日：新增金融AI论文。
• 2025年8月15日：新增ICML 2025论文。
• 2025年3月5日：新增ICLR 2025论文。
• 2024年12月19日：新增NeurIPS 2024论文。
• 2024年9月22日：创建仓库。

搜集汇总

数据集介绍

构建方式

在时间序列分析这一蓬勃发展且应用广泛的领域中，研究者与从业者常面临文献浩渺、资源分散的困境。为应对这一挑战，该数据集通过系统性地梳理与整合，构建了一个精心策划的资源清单。其构建方式依托于对顶级学术会议（如NeurIPS、ICML、ICLR、KDD等）及权威期刊中发表的时间序列相关论文的持续追踪与筛选，并辅以对开源工具包、基准测试、教程等多元化资源的归纳与收录。所有条目均经过人工审核与分类，确保所收录内容的代表性与时效性，从而形成一份动态更新的知识索引。

特点

该数据集最为显著的特点在于其高度的结构化与综合性。它并非简单的链接堆砌，而是依据时间序列分析的核心任务——预测、异常检测、分类、聚类、分割及插补——进行了精细的层次化划分，每个任务下又区分了基准与综述论文、具体研究论文，极大地便利了用户按需检索。此外，数据集特别增设了“AI in Finance”等前沿应用板块，并收录了丰富的教程与工具包，兼顾了理论深度与实践指导。其维护者通过定期更新（如标注ICML 2025、ICLR 2025等最新会议论文）来保持内容的鲜活与前沿。

使用方法

用户可便捷地通过GitHub仓库浏览该数据集。其README文件以清晰的目录结构呈现，用户可根据自身研究兴趣，直接点击相应章节（如“Forecasting”或“Anomaly Detection”）下的链接，快速定位到相关论文或资源。每条资源均附有论文标题、发表会议/期刊及直接链接（部分还提供了代码仓库），方便用户一键获取全文或复现代码。对于希望系统学习的用户，可优先查阅“Introduction and Tutorials”板块中的经典书籍与教程；而寻求最新进展的研究者，则可重点关注“Main Recent Update”部分列出的近期新增内容。

背景与挑战

背景概述

时间序列分析作为数据科学领域的核心分支，在金融、气象、工业运维等众多关键领域发挥着不可替代的作用。随着深度学习技术的飞速发展，特别是Transformer架构与基础模型的兴起，时间序列分析正经历着从传统统计方法向智能化、大规模预训练范式的深刻变革。该数据集资源库由研究团队于2024年9月创建，系统梳理了自2018年以来涌现的顶尖研究成果，涵盖预测、异常检测、分类、聚类等核心任务。其影响力体现在对NeurIPS、ICML、ICLR等顶级会议论文的全面收录，以及将金融AI等新兴方向纳入体系的前瞻性布局，为领域研究者提供了不可多得的系统性知识图谱。

当前挑战

当前时间序列分析面临的核心挑战在于复杂非平稳性与跨领域泛化能力之间的根本矛盾。具体而言，真实世界的时间序列常呈现多尺度周期性、突发性分布偏移及噪声干扰等特性，使得传统统计模型与深度学习方法在长期预测任务中均面临性能瓶颈。构建过程中，该资源库需要应对文献爆炸式增长带来的筛选难题，特别是如何鉴别基础模型与轻量化架构的真实创新价值。此外，异常检测任务中标注数据匮乏导致的评估基准可靠性问题，以及金融时间序列特有的信噪比极低特性，均为方法验证与资源整合设置了独特障碍。

常用场景

经典使用场景

在时序数据分析的广阔疆域中，该数据集最经典的应用场景莫过于时间序列预测。它被广泛用于评估和比较各类预测模型在电力负荷、交通流量、气象观测等领域的表现，尤其侧重于长短期预测的精度与鲁棒性。研究者借助该数据集，能够系统地验证基于Transformer、循环神经网络乃至最新基础模型的预测能力，从而推动时序预测技术的迭代与演进。

实际应用

在实际应用中，该数据集所涵盖的工具包与方法论已深度渗透至工业运维、金融风控、智慧城市等关键领域。例如，异常检测模块被用于实时监控服务器指标与IoT设备状态，以迅速定位故障；金融时序分析子集则助力量化交易策略的构建与风险评估。这些实践场景表明，该数据集不仅是学术研究的基石，更是连接理论与产业落地的桥梁。

衍生相关工作

围绕该数据集，衍生出了一系列具有里程碑意义的研究工作，如TimeMixer++、Chronos和TimesNet等模型。这些工作或探索多尺度模式提取，或开创语言模型与时序预测的融合范式，或提出创新的二维变换机制。它们不仅在顶级会议上发表，更通过开源代码与数据集本身的联动，形成了活跃的学术生态，持续推动着时序分析领域向更通用、更智能的方向发展。