Trong bài báo này, chúng tôi đề xuất NeuTSFlow, một khuôn khổ mới diễn giải lại chuỗi thời gian như một mẫu nhiễu của các quá trình liên tục, nhằm khắc phục những hạn chế của các phương pháp dự báo chuỗi thời gian hiện có vốn coi dữ liệu là các chuỗi rời rạc. Dựa trên thực tế là các quan sát nhiễu rời rạc không thể xác định duy nhất các hàm liên tục, chúng tôi xem chuỗi thời gian như các quan sát nhiễu của một tập hợp các hàm liên tục được điều khiển bởi một độ đo xác suất chung. Do đó, nhiệm vụ dự báo được định nghĩa là học cách chuyển đổi từ một tập hợp các hàm quá khứ sang một tập hợp các hàm tương lai. Để đạt được mục đích này, chúng tôi giới thiệu NeuTSFlow, một phương pháp học sự tương ứng dòng chảy của các độ đo giữa các tập hợp hàm quá khứ và tương lai bằng cách sử dụng các Toán tử Nơ-ron. Bằng cách tham số hóa trường vận tốc của dòng chảy trong không gian hàm vô hạn chiều, chúng tôi mô hình hóa trực tiếp các đặc trưng cấp hàm, vượt ra ngoài các phương pháp hiện có tập trung vào các phụ thuộc tại các điểm rời rạc. Chúng tôi xác minh độ chính xác và độ mạnh mẽ tuyệt vời của NeuTSFlow thông qua các thử nghiệm trên nhiều tác vụ dự báo khác nhau.
