该论文提出了一种离线方法，将时间模式显式地编码为不同类型的图像，即 Gramian Angular Fields 和 Markov Transition Fields，并使用 Tiled Convolutional Neural Networks 从个体 GAF， MTF 和 GAF-MTF 图像中学习高级特征，该方法的分类结果与最先进的方法相当。

Sep, 2015

利用 Gramian 角度场对扩散轨迹进行编码并利用计算机视觉模型对其特征进行表征以推断异常扩散指数，从而在应用场景中提高对机器学习方法的可操作性。

Sep, 2023

本研究使用图神经网络架构 GRIN 来处理多变量时间序列的缺失值，通过信息传递学习时空表示，实现修复缺失数据，并在真实基准测试中表现出超过 20% 的平均绝对误差改善。

Jul, 2021

提出了一种基于数据增强的全局预测模型 (GFM) 方法，通过三种时间序列增强技术生成一系列时间序列，并通过聚合和迁移学习方法将所得到的知识转移至原始数据集，实现在有限数据量情况下提高预测精度的目的。在比赛和实际数据集的评估中，该算法显著提高了 GFM 模型的基准精度，超过了现有基于单变量预测的方法。

Aug, 2020

本文提出了一种新型时序生成对抗网络 (Time Series GAN，TSGAN)，并以基准时序数据库中的 70 个数据集作为评估对象，证明了 TSGAN 相较竞争对手表现更好，既在 Frechet Inception Score (FID) 度量中表现更佳，也在分类评估标准上具有更好的定性表现。

Jun, 2020

本文通过引入编码上下文并在条件生成对抗网络中使用，扩展了基于 Transformer 的时间序列生成对抗网络 (TTS-GAN)，从而可以使用一个模型来拟合具有多个子组件的混合分布。通过定性和定量的评估指标，我们展示了该模型可以生成高维度和长时间序列数据，并在不同条件下具有较好的性能。

Oct, 2022

本文提出了一种改进的 Gram 角场方法 (GAF) 结合灰度图像的卷积神经网络方法，用于滚动轴承的异常检测，具有可行性和工业部署的潜力。

Apr, 2023

这篇论文研究了使用深度神经网络架构解决多元时间序列插补问题。通过利用低秩插补方法的经验和专长，我们为传统的 Transformer 模型添加了三项知识驱动的增强，包括投影时间注意力、全局自适应图卷积和 Fourier 插补损失。这些面向任务的归纳偏置利用了不完整时间序列的内在结构，使得我们的模型适用于多种插补问题。我们通过在包括交通速度、交通流量、太阳能、智能电表和空气质量等异构数据集上进行全面的案例研究来进一步加强其可解释性，并通过有希望的实证结果有力地证明了将低秩属性等时间序列原始特征纳入模型可以大幅促进通用化模型的开发，从而解决广泛的时空插补问题。

Dec, 2023

通过数据增强进行的少样本学习，结合时间 - 频率领域的转换和随机擦除合成图像生成，提出了一种新颖的少样本学习框架。实验结果表明，该方法能够在两个数据集上分别达到 93.75% 和 95.48% 的 F1 得分以及 93.33% 和 95.59% 的准确率，证明在解决时间序列分类中的少样本问题上具有实际应用价值。

Nov, 2023

我们提出了一种名为量子格拉米安角场的时间序列预测方法（QGAF）。该方法将量子计算技术与深度学习相结合，旨在提高时间序列分类和预测的精度。通过设计特定的量子电路，我们成功地将股票回报时间序列数据转化成适合卷积神经网络（CNN）训练的二维图像。与经典的格拉米安角场（GAF）方法不同，QGAF 的独特之处在于消除了数据归一化和反余弦计算的需求，简化了从时间序列数据到二维图像的转化过程。通过在中国 A 股市场、香港股市和美国股市的数据集上进行实验证明了该方法的有效性。实验结果表明，与经典的 GAF 方法相比，QGAF 方法在时间序列预测准确性方面具有显著改进，平均减少了 25％的平均绝对误差（MAE）和 48％的均方误差（MSE）。这项研究证实了在金融时间序列预测中，将量子计算与深度学习技术相结合的潜力和有前景的前景。

Oct, 2023