本研究介绍了一种基于强化学习的数据增强方法AutoTSAug，用于改善时间序列预测模型性能。该方法通过识别边际样本和生成新数据，显著提高了预测性能，且计算成本较低。

混合可分离流的边际一致性混合物模型 (MosES) 是一种新颖的时间序列预测模型，通过结合多个高斯过程和可逆变换，保持边际一致性。

本研究提出了一种通用的多尺度框架，可改进基于Transformer的时间序列预测模型的性能。研究结果表明，该方法可将性能提高到38.5％，且优于基线模型。

本研究提出了一种通用的多尺度框架，用于改进基于Transformer的时间序列预测模型的性能。通过多尺度共享权重迭代地改进预测的时间序列，并引入架构适应和特殊设计的标准化方案。研究结果表明，该方法将性能提高了38.5％。代码公开在指定的URL上。

该研究提出了一种启发式方法，利用时间序列预测模型将社交媒体帖子分类为五个不同的政治倾向类别。该方法在 Twitter 和 Gab 上进行了测试，旨在为预测社交媒体平台中的政治偏见提供启示，并为减轻政治偏见的负面影响开发更有效的策略。