本文提出了一种基于 transformer 的无监督多元时间序列表示学习框架，可以应用于回归、分类、预测和缺失值插补等下游任务，并通过多项基准数据集的测试实验证明了该方法的优越性和效率。同时表明，与监督学习方法相比，该方法在样本有限、计算加速方面具有明显优势，未标注数据的无监督预训练可以改善模型性能。

Oct, 2020

本文提出了一种利用基于形状的表示学习在无监督的多变量时间序列领域中的框架，其中采用了流行的对比学习方式来学习时间序列特定的形状特征，并设计了新的多粒度对比和多尺度对齐的学习目标来实现我们的目标，同时采用数据增强库来提高泛化性能。实验结果表明，我们的方法不仅优于 URL 竞争对手，而且优于专门为下游任务设计的技术。

May, 2023

无监督时间序列数据表示学习方法的文献综述及开放性研究挑战的综合分析，通过统一标准化库对其进行了实证评估，并讨论了实际考虑因素和未来研究方向。

Aug, 2023

我们的研究提出了一种创新方法，通过对齐和绑定不同模态的时间序列表示，以引导神经编码器揭示这些多模态特征之间的潜在模式关联，从而解决了由于复杂的特征融合方法和对异质特征的依赖导致的扩展性问题，并在多个应用领域的不同时间序列数据集上验证了该方法的有效性。

Dec, 2023

提出了一种针对高维时间序列数据的离散表征学习框架，通过整合可解释性离散降维和深度生成建模方法，得到在可解释性和聚类性能方面优异的平滑嵌入表征，基于自组织映射算法和马尔科夫模型实现了离散表征的概率化解释和进一步优化，实验结果显示其表现比竞争方法更好。

Jun, 2018

使用深度学习从时间序列数据中提取隐藏模式和特征的研究现状和未来发展方向的综述。

Jan, 2024

本文通过对四个最新的基于图像的视角的统一，提出了一种可以很好地概括所有这些方法的简单目标，该目标鼓励同一视频中的时间持久特征，在不同的无监督框架、预训练数据集、下游数据集和骨干架构中效果惊人，我们从该研究中得出了一系列有趣的观察结果，例如，即使时间跨度为 60 秒，鼓励长时间持久性也可以很有效。

Apr, 2021

本文提出了一个无监督的框架，实现了时间序列的多粒度表征学习，通过跨粒度变换器将细粒度和粗粒度表征进行关联，引入检索任务作为无监督训练任务来学习时间序列的多粒度表征，并设计了一种新颖的损失函数来通过无监督学习获取综合的多粒度时间序列表征，实验证明该框架相比其他表征学习模型具有显著优势。

Dec, 2023

多变量时间序列的自我监督学习方法 T-Rep 能够学习时间序列的表示，并提取出趋势、周期性、分布变化等时间特征。在分类、预测和异常检测任务中，T-Rep 表现优于现有的自我监督学习算法，并在处理缺失数据时表现更强韧。此外，通过潜空间可视化实验证明了学到的表示的可解释性。

Oct, 2023

提出了一种新的基于对比损失的无监督表示学习框架，并通过利用数据增广方案生成新样本来优化损失函数，实现混合样本的预测任务，以利用软目标进行学习。实验结果表明本方法在单变量和多变量时间序列上的表现优于其他表示学习方法，并展示了它对于临床时间序列的传递学习的好处。

Mar, 2022