时间序列的本质：用过去的变化规律预测未来
时间序列数据的特殊之处在于顺序很重要。今天的数值不只和特征有关，还和昨天、上周、季节、节假日、趋势和突发事件有关。
它非常适合做学生项目：可以用公开数据快速跑 baseline，再加入深度模型、外部变量、异常检测、解释和可视化，形成完整闭环。
- 输入通常是历史序列、时间戳、外部变量和多个相关指标。
- 输出可以是未来数值、风险预警、异常点、趋势解释或调度建议。
- 难点在于非平稳、长周期、多变量依赖、数据缺失和分布变化。
计算机方向详解 · 时间序列预测
时间序列预测：用历史变化预测未来趋势和异常
时间序列是最适合跨专业学生做 AI 项目的方向之一：数据容易理解，指标清晰，场景丰富。近几年从 ARIMA、LSTM、Transformer 发展到 PatchTST、TimesFM、Chronos、TimeGPT 等时间序列基础模型。
核心数据按时间采样的数值、事件、传感器、金融价格、流量和生命体征
常见任务预测、异常检测、缺失补全、分类、因果影响评估
常用方法ARIMA、LSTM、TCN、Transformer、PatchTST、TimesFM、Chronos
适合人群有金融、交通、能源、医学、管理或工程数据的同学
方向导读
方向理解：先知道它到底在做什么
时间序列预测研究如何从按时间排列的数据中学习趋势、周期、突变和关联，用于金融、交通、能源、气象、医疗监测和工业设备预测。
中文链路图：把方向拆成输入、模型、任务和成果
任务地图
任务地图：别只背方向名，要看输入输出
一个方向能不能做成项目，关键看它能不能落到明确任务、评价指标和实验数据。
任务地图：适合小白先判断项目切入点
01
单变量预测
根据过去温度、价格、访问量或销量预测未来。
输入单条历史序列
输出未来数值
科研价值：最适合入门。
02
多变量预测
利用多个传感器、商品、站点或指标之间的关系预测。
输入多条相关序列
输出目标变量未来值
科研价值：真实项目更常见。
03
异常检测
发现设备故障、金融异常、流量突增或医学监测异常。
输入实时序列
输出异常点 / 风险告警
科研价值：项目展示性强。
04
缺失补全
处理传感器断点、医疗监测缺失和业务数据漏采。
输入缺失或噪声序列
输出修复后的序列
科研价值：常作为预测前处理或独立任务。
05
概率预测
不只预测一个点，还估计未来不确定性。
输入历史序列
输出预测区间 / 分位数
科研价值：金融和能源调度很需要。
06
基础模型迁移
用预训练时间序列模型快速适配新数据。
输入新领域少量序列
输出零样本/少样本预测
科研价值：近年热门研究点。
技术路线
技术路线：从经典方法到现在的热点
技术路线不是模型名清单，而是看这个方向的问题意识如何一步步变化。
技术路线图：帮助学生看懂方法演进
统计模型：先理解趋势和季节性
ARIMA、Prophet 等方法让学生先理解平稳性、趋势和周期。
深度序列模型：学习长期依赖
LSTM、TCN 和 DeepAR 用神经网络建模序列动态。
Transformer 和 Patch 化建模
Informer、Autoformer、PatchTST 把长序列拆成 token，提高长预测效果。
时间序列基础模型
TimesFM、Chronos、TimeGPT 等模型尝试跨领域零样本预测。
论文清单
经典论文阅读清单
这不是让你背论文名，而是按时间线建立路线感：先看每篇论文解决了什么问题，再看图里哪一块最关键，最后知道它适合放进什么项目里。
Informer
Informer: Beyond Efficient Transformer for Long Sequence Time-Series Forecasting
为什么重要：Informer 是长序列预测 Transformer 的代表论文，解决效率和长预测问题。
新手读法：重点看 ProbSparse attention 和 long sequence forecasting。
打开论文 / 来源PatchTST
A Time Series is Worth 64 Words: Long-term Forecasting with Transformers
为什么重要：PatchTST 把序列片段当作 token，是后续时间序列基础模型的重要思路。
新手读法：重点看 patching 如何降低序列长度并保留局部模式。
打开论文 / 来源TimesFM
A decoder-only foundation model for time-series forecasting
为什么重要：TimesFM 展示时间序列也可以走 foundation model 路线，支持零样本预测。
新手读法：重点看 decoder-only 架构和跨数据集预训练。
打开论文 / 来源Chronos
Chronos: Learning the Language of Time Series
为什么重要：Chronos 把数值序列离散化成 token，用语言模型方式做预测，是时间序列大模型代表。
新手读法：重点看数值 tokenization 和预训练数据如何设计。
打开论文 / 来源评价指标
评价指标：怎么证明项目真的有效
不同任务不能只看 Accuracy。论文和项目都要说明指标为什么适合当前问题。
MAE
平均绝对误差，直观衡量预测偏差。
RMSE
对大误差更敏感，适合关注极端偏差。
MAPE / sMAPE
相对误差指标，业务场景常用但要注意零值问题。
CRPS / Pinball Loss
概率预测和分位数预测常用。
Anomaly F1
异常检测时看召回和误报平衡。
Latency
实时预测或告警系统需要关注推理速度。
数据工具
数据集和工具：先看有没有公开入口
小白选题时先确认数据、代码和 benchmark 是否可获得，否则方向再热也很难落地。
导师翻译
导师主页方向翻译：这些词到底暗示什么
学生看老师主页最难的是不知道关键词背后对应什么任务和能力要求。
Time Series Forecasting
根据历史序列预测未来值。
Long-term Forecasting
关注长预测窗口和长期依赖。
Anomaly Detection
识别序列中的异常波动或故障。
Probabilistic Forecasting
输出预测区间和不确定性。
Temporal Foundation Model
用大规模序列预训练模型做零样本或少样本预测。
Spatio-temporal Forecasting
同时建模空间关系和时间变化，例如交通、气象。
入门路径
入门路径：从小项目走到研究点
真正适合学生的路线，是先跑通最小闭环，再逐步加难度。
第 1 阶段：跑统计 baseline
用 ARIMA/Prophet 或简单滑动窗口理解数据趋势。
第 2 阶段：跑深度模型
尝试 LSTM、TCN、Transformer，并比较 MAE/RMSE。
第 3 阶段：加入外部变量和可视化
解释节假日、天气、价格、事件等因素如何影响预测。
第 4 阶段：尝试基础模型或异常检测
比较 TimesFM/Chronos/TimeGPT 与传统模型的收益。
项目选题
项目选题：能写进简历和申请材料
下面这些题目不是空泛口号，而是可以沉淀代码、实验结果、图表和论文雏形的方向。
股票或基金净值预测看板
比较传统模型、LSTM 和 Transformer 的预测效果。
校园用电负荷预测
预测未来用电并分析节假日和天气影响。
交通流量异常告警
检测突发拥堵、异常波动和节假日模式。
医学生命体征预测
根据心率、血压、血糖等序列做风险预警。
销售需求预测系统
用历史销量、促销和节假日预测库存需求。
时间序列基础模型评测
比较 TimesFM、Chronos、传统 Transformer 在小数据上的表现。
常见问题
常见问题：小白最容易卡住的判断
这部分覆盖搜索和咨询时最高频的问题。
时间序列适合非计算机专业吗？
非常适合。金融、交通、能源、医学、管理都有天然时间序列数据。
小白从什么模型开始？
先从 ARIMA/Prophet 或简单机器学习开始，再进阶到 LSTM/Transformer。
时间序列基础模型现在成熟吗？
还在快速发展，适合做评测和应用，但不要默认它一定超过领域专用模型。
继续探索适合你的科研方向
这个方向只是计算机科研路线中的一个入口。你也可以继续查看多模态学习、世界模型、推荐系统、可信 AI 等方向，再结合自己的专业基础、目标导师和时间周期选择更合适的切入点。