本文概述了基于复杂网络的时间序列分析方法，着重介绍了以复归图为基础的方法，探讨了各个方法的潜力和局限性，并通过动力系统和实际时间序列的典型例子说明了复杂网络测量可以提供其他线性和非线性方法所未能提供的结构特征信息。

Oct, 2010

通过状态空间重构的概念，非线性时间序列分析提供了一组方法，允许我们计算特征量，如 Lyapunov 指数和分形维数，预测时间序列的未来走势，甚至在某些情况下重构运动方程。

Mar, 2015

通过机器学习方法和非线性时间序列分析，我们利用循环度量对时间序列产生的各种动力学状态进行分类，并使用逻辑回归、随机森林和支持向量机这三种机器学习算法进行研究。我们的输入特征来自非线性时间序列的循环量化和相应循环网络的特征度量。通过从标准非线性动力学系统生成合成数据以进行训练和测试，我们评估了机器学习算法在将时间序列分类为周期性、混沌、超混沌或噪声分类中的效率和性能。此外，我们探索了分类方案中输入特征的重要性，并发现量化循环点密度的特征最相关。此外，我们还展示了经过训练的算法如何成功预测两颗变量星 SX Her 和 AC Her 的动力学状态，使用它们的光曲线数据。

Jan, 2024

本文提供了一种简单快速的计算方法，即可将时间序列转换为图形，该方法称为可视性算法。生成的图形在结构上继承了系列的多个特性，如周期系列转换为规则图形，随机系列则转换为随机图形。 此外， 分形系列转化为无标度网络，这增强了幂律分布与分形性相关的事实。 可以利用这种新方法来从新的角度表征时间序列。

Oct, 2008

本篇论文提出了一种名为 Tensor Time Series Network 的新模型，它包括两个模块，解决了如何结合时间序列的关系网络和如何建模时间动态的隐含关系等问题，并在五个真实数据集上的实验结果证明了该方法的有效性。

Feb, 2021

采用拓扑数据分析方法，我们从动力系统时间序列的图形化表示中提取了有关其周期性和混沌特征的信息，并使用序数分区框架构建了两种图形。该方法提供了更准确的动态特性描述，并具有更强的噪声鲁棒性。

Apr, 2019

本文介绍了一种新颖的神经网络架构，该架构整合了 ResNet 结构的元素，并引入了 Taylor 级数框架的创新融合。这种方法在许多基准数据集上展现出显著的测试准确性改进，并进一步通过引入递归步骤来提高测试准确性。我们的研究结果强调了我们提出的模型在显著推进时间序列分析方法学方面的潜力，为未来的研究和应用提供了有希望的途径。

Feb, 2024

本研究提出了一种基于状态空间模型的计算动力学分析方法，结合 PLRNN 和 fMRI 等神经成像数据，可以深入分析神经系统的非线性动力学特征，并为神经系统的临床评估和神经科学研究提供新的方法。

Feb, 2019

本文提出一种基于排序算法的新方法，用于唯一地表示复杂网络的邻接矩阵，并使用此方法进行特征提取和机器学习分类，结果表明这种方法在合成和真实数据的分类上优于先前文献的结果。

Jan, 2023

将复杂网络和机器学习技术相结合，提出了新的神经网络架构以及用于分析和预测人类流动的算法，并开发了用于追踪城市规划中的缺陷和关键节点的技术。

Jun, 2022