CNCC2025 | 时序异质性分析与自适应建模论坛举办

10月24日下午，CNCC 2025“时序异质性分析与自适应建模”论坛在哈尔滨工程大学启航楼4层长江厅顺利举行。本论坛聚焦时序数据由于领域、场景、模态差异导致的异质性特点，旨在探讨复杂动态系统中数据异质性的现象、机理和应对措施，回应当前模型鲁棒性、可比性不足的痛点，推动了AI时间序列分析的鲁棒与跨域建模的发展。本论坛汇集了来自中国科学院计算所、清华大学、香港科技大学（广州）、浙江工业大学、松鼠AI等科研机构的一线学者和产业界专家，分别就时空异质性的鲁棒建模、跨域时空序列统一建模、因果推断视角的时空异质性建模、数据智能可视时空分析以及时序大模型与工业领域自适应建模进行了主题报告和观点思辨，进行了跨方法、跨领域的深入交流和火花碰撞。本次论坛由中国科学院计算所王飞副研究员主持。

第一阶段主题报告环节开始，由中国科学院计算所副研究员王飞副研究员就时间序列及其异质性进行了总览性介绍。

中国科学院计算所助理研究员邵泽志博士作《时间序列异质性分析与鲁棒性建模》主题报告，系统探讨了时序数据异质性背景下的模型评估挑战。报告重点介绍了BasicTS+评测基准框架，为异质时序模型构建公平、可复现的评测环境，并探讨了基于时序数据特性的模型推荐方法。此外，报告还分析了数据异质性对时序基础模型训练的影响，并引入BLAST数据集，推动了时序基础模型的高效训练与鲁棒性提升。

清华大学苑苑博士作《面向跨城市、跨场景、跨任务的时空序列统一建模》主题报告，系统介绍城市时空基础模型在解决城市计算场景下的数据异质性方面的演进发展，分析通过统一架构对多城市、多模态、多场景数据提炼普适的结构化表达，解决结构、动态与任务异质性，实现跨城市泛化、多源数据统一处理及多任务灵活适配，推动了城市智能决策中模型的统一与通用部署。

香港科技大学（广州）助理教授，梁宇轩博士作《因果推断视角下的时空异质性建模》主题报告，从因果推断角度分析了增强时空建模鲁棒性与可解释性的方法。通过构建结构因果图并融合后门与前门调整，有效应对时空异质性与分布偏移，在跨环境预测中显著提升性能，为时空智能研究提供了新的系统化分析范式。

浙江工业大学孙国道教授作《数据智能可视时空分析》报告，探讨交互式可视分析在时空数据智能理解中的作用，结合专家领域知识与数据挖掘方法，实现在城市交通、视频监控等场景下的信息提炼与模式发现，介绍了在时空定位、视频动态分析等方面的代表性案例成果。

松鼠AI首席科学家，文青松作《时序大模型与工业领域自适应建模》主题报告，系统梳理了大语言模型与基础模型在时序分析中的最新进展，重点介绍了Time-LLM、Time-MoE、Time-MQA等前沿模型，展示了其在AIOps、教育科技等工业场景中的应用成效，展望了时序大模型在实际工业应用场景的变革潜力和未来研究的广阔方向。

第二阶段圆桌讨论环节，嘉宾们针对时序基础模型的研究范式、时序预测的评测设置合理性、时序大模型的尺度定律等问题进行了深入的讨论。

本次“时序异质性分析与自适应建模”论坛成功搭建了一个高水平的学术交流平台，深入分析了时间序列分析领域在模型鲁棒性与跨域泛化能力方面的核心挑战与解决方案。通过多位学者在鲁棒建模、跨域泛化、因果推断、可视分析、基础模型应用等前沿方向的深入探讨，本次论坛清晰揭示了时序数据异质性的复杂图景，呈现了从理论建模到工业落地的多层次、系统性解决方案。这些成果显著推进了对时空异质性机理的理解，并为构建下一代可解释、可泛化时序智能模型指明了富有潜力的发展路径。