本研究解决了由于气候变化导致的北极海冰快速下降所带来的季节性预测需求缺口。通过引入IceMamba，一种结合精细注意机制的深度学习架构，我们的研究表明该模型在季节性海冰浓度预测中具有卓越表现，超越了25种著名的预测模型，并为应对海冰变化提供了重要的科学依据。

本研究解决了时间序列分类的可解释性问题，提出了新的评估指标，发现简化时间序列在可解释性上优于原始数据，尤其在季节性和非平稳序列中表现更佳。

本研究解决了传统模型在非平稳数据上表现不佳的问题，提出了一种在潜在空间内强制实施平稳行为的创新方法，同时保留趋势和季节信息。通过使用差分、时间序列分解和潜在空间算术等技术，能够有效地捕捉和存储时间序列的关键特征，从而提升预测模型的表现。

本研究探讨了神经辐射场（NeRF）在卫星图像季节预测中的应用，特别是Sat-NeRF的表现。结果表明，作为Sat-NeRF扩展的Planet-NeRF能够有效捕捉季节变化的细微差异，超越了之前的模型，展现了未来研究的潜力。

本研究提出了一种混合深度学习模型，能够高效预测季节性水质，准确率达到92%，为水质管理提供可靠工具。

该研究探索了适用于时间序列模型的新特性，重点关注数据的季节性和趋势成分。研究结果显示，这些新特性提高了在医疗数据中识别成员身份的有效性，并增进了对隐私风险的理解。

本研究提出了一种无监督遥感图像变化检测方法UCDFormer，通过图像转换减轻季节性和风格差异，获得二值变化图。实验结果表明UCDFormer在无监督遥感图像变化检测任务中性能提升超过12%，对于地震引发的滑坡检测也表现出色。

该文介绍了一种基于符合性预测和控制理论的算法，用于时间序列预测的不确定性量化问题。该算法能够在在线环境中前瞻性地模拟符合性得分，并能适应由季节性、趋势性和一般分布变化引起的系统误差。作者在美国州级 COVID-19 死亡人数提前四周预测的实验中，与官方 CDC 通讯中使用的集合预测方法相比，覆盖范围有所改善。作者还使用自回归、Theta、Prophet 和 Transformer 模型对电力需求、市场回报和温度进行了实验预测，并提供了一个可扩展的代码库。

本研究提出了一种季节性和非季节性时间序列模型家族，采用加法和乘法指数平滑模型，利用贝叶斯拟合技术，应用于M3比赛数据集，性能超过了其他算法和基准方法，达到了最佳结果。

本文介绍了基于循环神经网络的预测模型，并提出了最佳实践和指导方针。研究发现RNN能够模拟季节性，建议对数据进行季节性去趋势处理。与ETS和ARIMA模型相比，研究表明RNN模型在许多情况下是可以竞争使用的。