天下娱乐

根据Essential Science Indicators（简称ESI）最新数据显示，我校天下娱乐 廖海斌副教授作为第一作者发表在1区（五年影响因子9.096）TOP期刊《IEEE Internet of Things Journal》上的研究论文《Time series forecasting with semantic-aware trend loss function》（2026, 13(7):12687-12701）成功入选工程学科领域ESI全球前1%高被引论文。论文联合中国人民解放军空军预警天下娱乐 和武汉大学共同完成，武汉纺织大学为第一通讯单位。

当前，全国正大力推进全域数字化转型与数智经济深度融合，时序数据呈现爆炸式增长态势，其在政府职能转变、传统产业转型升级中发挥关键支撑作用。预测未知是众多学科的基础，反映了人类预见风险、制定战略的本能追求。时间序列预测正是从海量历史数据中挖掘规律、洞悉未来的核心手段，其应用已渗透至交通、能源、金融、医疗等几乎所有国民经济行业，如下图所示。

本研究针对时间序列模型训练中多源异构数据导致的模型坍塌问题展开深入探索，重点攻关资源受限条件下轻量化时序大模型的学习策略与跨域协同训练机制。时序模型训练与预测涉及损失函数设计和多源异构数据处理，是该领域的关键问题。为此，研究提出一种模型与模态无关的时序损失函数，有效缓解领域差异和数据失真问题。在充分挖掘时间序列普遍趋势属性的基础上，研究进一步提出基于趋势语义学习的损失函数，利用全局与局部趋势性约束模型训练，对抗时序数据失真导致的模型坍塌。该损失函数可应用于各类时序预测模型，具备“即插即用”特性。

所提损失函数在6个公开数据集上完成实验验证。与当前先进损失函数对比，该方法不仅取得最优性能，而且使模型预测结果具有良好形状保持性。部分预测结果如下图所示，其中 Tre-loss 为本文方法，预测效果最佳。

该研究为多源异构时间序列模型训练提供了更高效、更准确的方法，团队未来将聚焦时序多属性（趋势、周期和季节等）学习及时序大模型训练应用，以减少模型训练资源瓶颈，推动时间序列预测领域发展，为数智经济发展提供有力支持。

全文链接：//ieeexplore.ieee.org/document/11339886

ESI高被引论文简介：

ESI（基本科学指标数据库Essential Science Indicators的简称）是由美国科技信息所于2001年推出的衡量科学研究绩效、跟踪科学发展趋势的基本分析评价工具。ESI高被引论文（Highly Cited Paper）指发表于过去十年内某学科领域相同发表年论文中被引用次数排名在前1%以内的论文。目前，ESI高被引论文已成为评价高校、学术机构、国家和地区国际学术水平及影响力的重要指标之一。