本文提出了一种基于动态图神经网络的模型，旨在提高多元时间序列预测的准确性。实验验证了该模型在交通动态分析中的有效性，尤其是在自动驾驶场景中，显著提升了时空表示的准确性和适应性。

本文研究了时间序列预测中的关注机制，提出了多种新模型（如MTS-Mixers、SpaceTime、S-Mamba、D-Mamba、Mambaformer），旨在提高预测性能和效率。通过改进状态空间模型（SSM）和引入新算法，研究展示了在多元时间序列预测中的先进成果，解决了高维数据集中的噪声问题，提升了模型的准确性和可扩展性。

本研究提出了一种新颖的多元时间序列预测方法MTPNet，结合多尺度Transformer和辅助时间序列构建，显著提高了预测准确性。通过可学习的分解策略和双重注意力模块，MTPNet在多个基准数据集上表现优异。此外，研究还探讨了基于状态空间模型的C-Mamba方法，解决了高维数据集中的通道依赖问题，提升了预测性能。

该研究提出了多种基于Transformer的模型，以提高多元时间序列预测的准确性和效率。通过新颖的注意力机制和训练策略，这些模型在多个基准数据集上表现优异，显著降低了预测误差和运行时间。

本文研究了多元时间序列数据的因果结构，提出了一种基于多元线性Hawkes过程的算法，并评估了其在股票市场和MemeTracker数据集上的应用。研究还探讨了图神经网络在动态系统建模中的有效性，提出了新的方法以学习时间序列中的潜在关系，从而显著提高预测精度。

本文介绍了多种多元时间序列（MTS）预测模型，如DBT-DMAE、MTPNet、ATVCNet和MAGNN。这些模型通过新颖的注意力机制和图神经网络显著提升了预测性能，尤其在处理变量间相关性和时间依赖性方面表现优异。实验结果表明，这些方法在多个真实数据集上超越了现有技术。

本文讨论了动量对比（MoCo）在视觉表示学习中的应用，提出了一种自监督学习框架以处理生理数据的多元时间序列。研究表明，MoCo在低标记数据情况下的有效性，尤其在发音者验证和医学成像领域表现突出。同时，探讨了统一动量对比（UniMoCo）方法的优势，支持有标签与无标签数据的训练。

本文介绍了一种基于Transformer的无监督多元时间序列表示学习框架，适用于回归、分类、预测和缺失值插补等任务。研究表明，该方法在样本有限和计算加速方面优于监督学习，能够有效处理缺失数据和不规则采样问题，提升预测准确性。多项实验验证了其在多元时间序列建模中的优越性。