学术讲座—时间序列数据分析—从传统深度学习到基础模型
发布者： 科研处 更新日期： 2026-09-03 访问次数： 10
讲座题目时间序列数据分析—从传统深度学习到基础模型
主办单位电子电气与物理学院
联合主办单位
讲座人陈正华讲座人
职称		副高主持人缪希仁
讲座类型自然科学讲座对象全校师生时间2026-09-09 09:00
地点至诚楼C1-206
讲
座
人
简
介		陈正华博士现任英国格拉斯哥大学副教授。他的研究方向主要集中于面向时间序列数据分析的高效人工智能方法，并将其应用于智能制造和智慧城市等领域。他已在 IEEE TPAMI、TKDE、TNNLS、TMC、TII、AAAI、KDD、ICML、NeurIPS 等国际顶级期刊和会议上发表论文超过150篇，Google Scholar累计引用超过19,000次，H-index达到64。他曾入选由斯坦福大学全球前2%顶尖科学家名单。此外，他还获得了多项具有竞争力的学术奖励，包括 CVPR 2021 UG2+ Challenge 第一名、A*STAR职业发展奖、IEEE ICIEA 2022和IEEE SmartCity 2022最佳论文奖、IEEE JAS Norbert Wiener Review Paper Award，以及 IEEE TII（2024年）和 IEEE TIM（2024年、2025年）的杰出编委奖等。他目前担任 IEEE Transactions on Instrumentation and Measurement 和 Neurocomputing 副主编（Associate Editor-in- Chief），并担任 IEEE Transactions on Pattern Analysis and Machine Intelligence（影响因子：20.4）、IEEE Transactions on Industrial Informatics以及 IEEE Transactions on Industrial Cyber-Physical Systems 的副编辑（Associate Editor）。此外，他还曾担任 IEEE Sensors Council 新加坡分会主席。
讲座
主要内容		时间序列数据在现代工业系统、能源系统以及预测性设备健康管理中发挥着越来越重要的作用，是实现设备状态感知、运行趋势预测、故障预警和智能运维的重要数据基础。然而，传统的时间序列深度学习方法通常依赖大量高质量标注数据，在实际应用中普遍面临标注样本有限、不同设备及运行工况之间存在显著领域偏移，以及模型在真实复杂场景中泛化能力不足等问题，这在一定程度上限制了相关技术的进一步推广应用。本报告将系统综述近年来时间序列数据分析领域的主要研究进展，从面向分类、预测、诊断等特定任务的深度学习模型出发，逐步介绍自监督学习、领域自适应以及高效模型部署等重要研究方向。在此基础上，报告将重点讨论如何充分利用大规模无标注时间序列数据，学习具有鲁棒性和可迁移性的特征表示，并将所获得的通用知识有效迁移到不同设备、不同运行环境、不同工况和不同下游任务中，从而降低模型对人工标注数据的依赖，提高模型在复杂应用条件下的适应能力。此外，本报告还将探讨时间序列基础模型的发展趋势，包括时间序列模型与大语言模型（LLMs）的融合，以及知识增强图学习等新兴方向，分析其在多源信息融合、复杂关联建模和通用知识迁移方面的潜在优势。最后，报告将简要讨论基于基础模型范式的预训练方法，以及该类方法如何通过大规模数据预训练和下游任务适配，有效提升模型在复杂工业场景中的泛化能力、数据利用效率和快速适应能力。本报告旨在以清晰易懂的方式，系统介绍时间序列数据分析技术从传统深度学习向基础模型发展的演进过程、关键方法与未来研究趋势。