报告题目：时间序列数据分析—从传统深度学习到基础模型
报告人：陈正华
报告时间：2026年9月10日下午14:30
报告地点：计算机楼B518
摘要: 时间序列数据在现代工业系统、物联网系统以及设备健康管理中发挥着重要作用。然而，传统的时间序列深度学习方法通常面临标注数据有限、不同运行工况之间存在显著领域偏移，以及在真实应用场景中泛化能力不足等问题。本报告将综述近年来时间序列数据分析领域的研究进展，从面向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方向。报告将重点讨论如何利用大规模无标注数据学习具有鲁棒性的特征表示，并将其迁移到不同设备、不同环境和不同任务中。此外，本报告还将探讨时间序列基础模型的发展趋势，包括与大语言模型（LLMs）的融合，以及知识增强图学习。最后简单讨论基于基础模型范式的预训练方法，其能够有效提升模型在复杂工业场景中的泛化能力、数据利用效率和适应能力。本报告旨在以清晰易懂的方式，介绍时间序列数据分析从传统深度学习向基础模型发展的技术演进与研究趋势。
报告人简介：陈正华博士现任英国格拉斯哥大学副教授/博导。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+挑战赛冠军、A*STAR职业发展奖、IEEE ICIEA 2022和IEEE SmartCity 2022最佳论文奖、IEEE JAS 维纳综述奖，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 的编委(Associate Editor)。
