北大林宙辰团队在 TPAMI 2026 上线的这篇时序预测综述，核心亮点是跳出以往按模型类型简单归类的写法，用自相关建模作为统一主线，把过去十年深度学习时序预测五花八门的方法串起来，之前很多综述大多只梳理骨干网络，很少专门整理损失函数，而这篇论文同时覆盖骨干架构和损失函数两大块，它把大量看起来互不相关的模型创新，都归结为三种处理自相关的思路：扩大感受野、简化自相关结构、打破预测值之间独立假设，论文还贴心给每一类方法配上最小实现代码，方便读者顺着源码看懂每一种改进的由来，不管是刚入门的学生、做时序落地的工程师，还是想快速摸清领域脉络的研究者，都可以顺着这条自相关主线，看懂从早期 RNN、CNN，到 Transformer、时序基础模型、扩散模型的完整演进路线，阅读的时候可以先抓住自相关这个核心视角，再对照论文里的分类表、最小实现案例，再去看各类模型的优缺点、适用场景和现存短板，最后再跟进论文提出的未来研究方向。
一、论文基础信息
| 项目 | 详情 |
|---|---|
| 论文全称 | Deep Time-Series Forecasting in 10 Years: A Survey |
| 期刊 | TPAMI（IEEE Transactions on Pattern Analysis and Machine Intelligence），2026 |
| 团队 | 北大林宙辰团队 |
| 核心主线 | 自相关建模（Autocorrelation） |
| 开源仓库 | https://github.com/Master-PLC/Awesome-TSF-Papers |
| 预印本地址 | https://arxiv.org/abs/2603.19899 |
| IEEE 官网链接 | https://ieeexplore.ieee.org/document/11731513 |
二、整体分类框架（两大分支）
这篇综述把整个时序预测领域拆成两大分支，分别对应自相关的两个核心难题
- 骨干架构分支：建模历史序列里的自相关
- 非 Transformer 类：MLP、RNN/LSTM、CNN、Mamba、频域模型等
- Transformer 类：Informer、FEDformer、Autoformer 等长时序经典 Transformer
- 通用插件层：可以嵌入到任意骨干、用来优化时序依赖的模块
- 损失函数分支：建模预测标签序列里的自相关
- 以往大部分综述基本忽略这一块，是本文重点增量部分
- 围绕消除 “预测点互相独立” 这个不合理假设设计各类时序损失
三、自相关建模的三类核心思路
- 扩大感受野：让模型能看到更长历史，捕捉远距离时序依赖，典型如 Informer、各类长序列 Transformer
- 简化自相关结构：不暴力建模全部依赖，用频域分解、稀疏、状态空间等方式降低计算量，代表 FEDformer、Mamba、频域 MLP
- 消除独立性假设：改造损失函数，不再默认每个预测步互不相关，适配连续时序的特性
四、十年时序预测技术演进路线清单
- 早期阶段：RNN、LSTM、GRU，擅长短序列，长序列容易梯度消失
- CNN 阶段：一维卷积捕捉局部时序模式，并行速度比 RNN 快，远距离依赖弱
- Transformer 长时序改造阶段：Informer、Autoformer、FEDformer，解决原生 Transformer 复杂度太高的问题
- 轻量化 / 频域 / 状态空间阶段：频域分解、Mamba、时序 MLP，兼顾速度和长序列效果
- 最新阶段：时序基础模型、LLM 适配时序、扩散模型做时序生成预测
五、论文指出的现存挑战
- 时序基础模型缺少高质量、通用的预训练数据集，大多是领域专用数据集
- 时序 Token 化方案还不成熟，不像文本有成熟分词方案
- 跨域泛化能力弱，在一个数据集调好的模型换到别的场景容易掉点
- 概率预测、不确定性估计、损失函数的研究还不够充分
- 长周期、多变量、噪声极强的工业时序落地依然困难
六、适合的阅读顺序
- 读懂核心主线：先理解时序自相关是什么，明白为什么自相关是时序预测的核心
- 对照分类表，逐个看骨干架构，对比不同模型怎么处理自相关
- 专门看损失函数章节，理解点预测损失的固有缺陷
- 打开仓库里最小实现代码，跑一遍最简版本，直观感受模型差异
- 最后看未来方向，用来定选题、调研落地方案
【相关 FAQ】
问题 1：TPAMI-26 这篇时序预测综述，和别的时序综述最大区别是什么？
回答 1：TPAMI-26 这篇时序预测综述以自相关建模作为统一主线梳理十年进展，同时覆盖骨干架构和损失函数，以往很多时序预测综述只梳理网络结构，很少系统性讨论损失函数，并且它为每一类方法提供最小实现，方便溯源理解。
问题 2：TPAMI-26 时序预测综述里的自相关建模，指的是什么？
回答 2：TPAMI-26 时序预测综述里的自相关建模，就是建模时序数据前后观测值之间的依赖关系，论文把所有模型创新归为扩大感受野、简化自相关结构、消除预测独立性假设这三类思路。
问题 3：TPAMI-26 时序预测综述里包含时序大模型、扩散模型吗？
回答 3：TPAMI-26 时序预测综述覆盖近十年全部主流路线，包含时序基础模型、LLM 适配时序、扩散模型这类最新方案，同时指出时序基础模型目前存在数据集、Token 化两大短板。
问题 4：新手看 TPAMI-26 这篇时序预测综述，怎么入手效率更高？
回答 4：新手看 TPAMI-26 时序预测综述，优先抓住自相关这条主线，先看懂自相关的定义，再对照分类表对比各类骨干模型，搭配仓库里最小实现代码跑通 demo，最后再看损失函数与未来挑战部分。
【参考资料】
[2026-11-13]（最火、最全的时序预测综述：一个视角读懂十年进展｜TPAMI-26）机器之心
[2026-11-13]（最火、最全的时序预测综述：一个视角读懂十年进展｜TPAMI-26）腾讯新闻
[2026-03-31]（Deep Time-Series Forecasting in 10 Years: A Survey）arXiv
[2026-11-13]（Deep Time-Series Forecasting in 10 Years: A Survey）IEEE Xplore
[2026-11-13]（Awesome-TSF-Papers 开源仓库）GitHub
【免责声明】
本文仅整理 TPAMI-26 时序预测综述公开内容，论文观点、分类框架、未来研究方向以原论文、arXiv 预印本、IEEE 正式版本为准；时序模型落地效果受数据噪声、采样频率、业务场景影响很大，本文不直接构成项目选型、论文选题的唯一依据；引用、复现论文内容请参考原文与官方开源仓库。