本研究提出了一种名为AMAD的新方法，旨在解决无监督多变量时间序列异常检测中的模型泛化能力不足问题。该方法结合了自动掩蔽机制和注意力混合模块，取得了优异的表现。

本研究提出了一种新方法，通过自适应中频能量优化模块和关键频率选择块，解决了深度学习模型在多变量时间序列分析中提取中频和关键频率信息的不足。该方法在交通、ECL和太阳能等领域的预测精度显著提高，均方误差分别降低了4%、6%和5%。

本研究提出了一种基于Granger因果关系的框架，用于多变量时间序列的异常检测。该方法通过动态发现因果关系和检测因果模式变化来识别异常，实验结果表明其准确率优于传统方法。

本研究提出了一种STTS-EAD方法，通过将异常检测与多变量时间序列预测训练过程无缝集成，克服了现有方法的局限性。该方法优化了时空信息，提高了预测准确性，实验证明其在推理阶段的性能显著优于基线方法。

本研究提出了一种新方法，解决多变量时间序列分类中的高维数据建模和标签数据不足的问题。通过整合额外信息与主体关系，利用对比时序自注意力模块和动态时间扭曲技术构建异构图。实验结果表明，该方法在多个数据集上优于现有技术，具有重要应用价值。

本研究提出了因果和局部相关性网络（CaLoNet），旨在解决多变量时间序列分类中的维度和特征相关性问题。实验结果显示，CaLoNet在UEA数据集上表现优异。

本研究解决了多变量时间序列异常检测方法评估中缺乏高质量数据集的问题，提出了一个多样化且包含显著异常的数据集。研究表明，半监督算法优于无监督算法，并强调了对受污染训练数据的鲁棒性需求。

本研究提出了一种对比相似性感知双路径Mamba（CS-DPMamba）方法，旨在解决多变量时间序列（MTS）数据建模中的长期依赖性和相似性获取问题。该方法通过时间对比学习模块获取动态相似性，并利用FastDTW构建相似性矩阵，从而实现精确的MTS节点分类，显示出在多个实际应用中的优越性。

本研究提出EffiCANet模型，旨在解决多变量时间序列预测中的长期依赖性和复杂关系问题。该模型利用大内核分解卷积等技术，显著提升了预测精度和计算效率，MAE降低最大10.02%，计算成本降低26.2%。

本文提出了一种名为IMUDiffusion的概率扩散模型，旨在降低运动数据生成和标注的时间与成本。该模型专为多变量时间序列生成设计，显著提升了人类活动分类器的性能，宏观F1-score提高近30%。

本研究提出了DisenTS框架，以解决多变量时间序列预测中的通道依赖性问题。通过不同的预测模型捕捉演变模式，并引入Forecaster Aware Gate模块，以提升预测性能。

本研究提出MIXAD模型，结合记忆网络与时空处理单元，解决多变量时间序列数据的异常检测与可解释性之间的矛盾，异常评分方法的可解释性提升了34.30%和34.51%。

本研究提出TiVaT架构，通过轴注意力机制和距离感知采样，解决多变量时间序列预测中的依赖问题，减少噪声，提高准确性，适用于复杂数据集。

本研究通过引入时空协方差神经网络（STVNN）解决了多变量时间序列中时空交互建模的挑战。STVNN利用样本协方差矩阵和联合时空卷积有效建模数据，并在不确定性条件下证明了其稳定性。实验结果表明，STVNN在适应数据分布变化方面表现出色，并在多变量时间序列处理上具有竞争力。

本研究提出了一种创新的混合架构，用于准确预测复杂动态系统中的多变量时间序列。该方法在多个基准数据集上表现优异，并有效建模了多重时间跨度预测的不确定性。

本研究使用MIMIC-IV数据库研究了多变量时间序列生命体征数据，并比较了聚类算法。通过分析不同类别之间的临床死亡预后差异，发现不同亚组之间的ICU死亡和住院死亡的风险不同。研究结果为多变量时间序列聚类系统在ICU中的应用提供了有价值的见解。

本文提出了一种基于形状的无监督多变量时间序列学习框架，通过对比学习方式学习时间序列特征，实验结果表明其优于竞争对手和专门设计的技术。

该研究使用MIMIC-IV数据库研究了多变量时间序列生命体征数据，并比较了各种聚类算法，选择了一种名为Time2Feat的端到端多变量时间序列聚类系统与K-Means相结合的方法作为最有效的聚类方法。通过分析不同类别之间的临床死亡预后差异，发现不同亚组之间的ICU死亡和住院死亡的风险不同。该研究为多变量时间序列聚类系统在ICU中患者管理和监测中的潜在应用提供了有价值的见解。

该研究提出了一种面向多变量时间序列数据的图神经网络框架，采用图学习模块提取变量之间的关系，同时运用混合传递和膨胀创新层捕捉时间序列中的相关性。实验结果表明，该模型在基准数据集上表现优异，并在两个交通数据集上实现了与其他方法相当的性能。

该研究提出了一种面向多变量时间序列数据的图神经网络框架，采用图学习模块提取变量之间的关系，同时运用混合传递和膨胀创新层捕捉时间序列中的相关性。实验结果表明，该模型在基准数据集上优于现有方法，并在两个交通数据集上实现了相当的性能。