该研究提出了一种新的对比课程学习方法，解决了时间序列基础模型在建筑能源预测中的适应性不足问题。实验结果显示，该方法在零样本和少量样本情况下，模型性能提升了14.6%。

本研究利用Sentinel-2卫星数据和谷歌地球引擎开发了时间序列模型，预测沿海地区水质中的叶绿素a、悬浮固体和浊度。通过应用LSTM递归神经网络，提高了预测准确性，展示了遥感技术在水质评估中的潜力。

该文综述可解释NLP与时间序列模型研究，涵盖：以任意文本序列为解释单元、带忠实度保证的Hessian-free算法及语义评估度量；GAN生成稀疏反事实解释；特征解释评估标准与低复杂度Shapley值；贝叶斯方法提升概念解释可靠性；符号解释生成；多分类器对抗解释成本与鲁棒性；特征排序忠实度评估；原型概念线性组合自解释；多维特征重要性解释及平行本地搜索方法。

本文提出了一种基于Wiener过程微分变形的正则化流，用于不规则时间序列建模，包括直接插值。实验表明，该模型相对于变分RNN和潜在ODE基线具有优越的灵活性。

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。