时间序列和时空数据都太火了，99个idea带你分分钟拿下顶会！

主要观点总结

文章介绍了今年各大顶会上关于时序与时空数据研究的活跃程度，包括时空数据增加的空间维度为理解和预测数据现象提供更多上下文信息。文章总结了经典时序研究方向如预测、插补、异常检测等，并强调了深度学习和自监督预训练方法的发展对时序和时空数据分析的推动作用。文章还提到了大模型在时间序列数据分析中的应用，以及时序结合LLM处理非结构化数据和提高预测准确性的潜力。文章整理了在顶会上的相关论文和开源代码，供读者免费获取。

关键观点总结

关键观点1: 时序与时空数据研究的活跃程度

文章介绍了今年各大顶会上关于时序数据和时空数据的研究情况，包括时空数据的特点和其在理解和预测数据现象方面的优势。

关键观点2: 经典时序研究方向

文章总结了经典时序研究的多个方向，如预测、插补、异常检测等，并强调了这些方向在顶会上的活跃程度。

关键观点3: 深度学习和自监督预训练方法的作用

文章指出深度学习和自监督预训练方法的发展对时序和时空数据分析的推动作用，尤其是大模型在这些领域的应用。

关键观点4: 时序结合大模型的研究方向

文章详细说明了时序结合大模型的研究方向，包括直接提示、时间序列量化、对齐、视觉、工具等分类，并提到了该方向的研究在顶会上的活跃程度。

关键观点5: 论文和开源代码的分享

文章最后提到了整理的相关论文和开源代码的分享方式，供读者免费获取，包括时序和时空数据的最新论文以及时序结合大模型的代表性论文和代码。

文章预览

今年的各大顶会上，有关时序与时空数据的研究非常活跃。 我们知道传统的时间序列数据是单变量或多变量的数据点序列。 而时空数据在此基础上增加了空间维度，提供了更丰富的上下文信息，进而能从更多角度理解和预测数据所代表的现象。 并且，经典的时序研究方向依然能在2024年发顶会。比如：时序 预测、时空数据插补、异常检测、分类和聚类、模式识别、因果分析、多模态数据融合等等。 时序的赛道这么拥挤，大佬还是能发出paper。他们的创新思路就非常值得我们学习了。甚至能跟着大佬的步伐也冲个顶会。 本文总结了2024年7个顶会（ICLR / ICML / AAAI / IJCAI / WWW / ICDE / SIGMOD）中99篇有关时间序列和时空数据的最新论文，以及开源代码。 无偿分享给大家，欢迎扫码获取。 扫码领99篇24年最新时序顶会论文 而随着深度学习和自监督预训练方法 ………………………………