Ubiquitous sensors produce high frequency streams of numerical measurements which can be segmented using the ClaSS algorithm based on self-supervised time series classification and statistical tests to detect change points.

Oct, 2023

通过对三维空间内由佩戴式加速度计测量的加速度数据的多维时间序列进行分割，本文分析了活动识别的问题，并提出了一种特定的统计潜在过程模型进行自动时段分割，该模型通过隐藏的离散逻辑过程来控制随时间而变换的多个活动。最终结果表明，本文提出的方法在完全无监督的情况下运作，并且不需要特征提取预处理步骤，其性能非常有竞争力。

Dec, 2013

利用时间戳监督的联合活动分割和识别方法，通过估计原型、生成样本级伪标签以及最优运输理论，以改善人类活动识别和时间序列分割问题。

Oct, 2023

本文提出了一种称为 LS-USS 的新型无监督分割算法，可轻松地处理在线和批处理数据的多维时间序列，并在多个真实数据集上将其与其他现有的变点检测算法进行比较。

Jul, 2022

通过自我监督学习方法，将地理空间活动时间序列转化成任务无关的时间嵌入表示，然后使用深度语义分割，将这些嵌入转换成用于下游任务的基于图像通道的表示，实现对住宅区和商业区等不同类型用地的分类。

Apr, 2023

该论文介绍了 ClaSP 一种基于二元时间序列分类器的无超参数时间序列分割方法，通过两种新方法学习主要参数，并在 107 个数据集基准测试中优于现有技术，无需设置超参数且快速可扩展。

Jul, 2022

该论文介绍了一种基于多传感器数据融合框架与极大熵及 Dempster-Shafer 证据理论相结合的新方法，用于解决查找某个主题下最有知识的人的信息检索任务。它应用于一个学术领域的两个数据集上，证明了该方法的广泛适用性和优越性，可以使它在性能上达到与传统的监督技术相同的水平。

Jun, 2013

时间序列建模在工业过程中面临处理复杂、多方面且不断演化的数据特征的挑战。介绍了一种新的基于块的多步骤预测方法 ReWTS（称为 “roots”），可以捕捉多样动态的相互作用并提高预测性能。在挑战传统方法的同时，通过将训练数据分段并为每个段训练一个模型，实现模型的特殊化。此外，在推断过程中，通过优化过程根据最近的数据评估每个模型，并选择适当的模型组合以预测未来。该方法不仅捕捉了每个时间段的细微变化，而且相对于在所有数据上一次性进行训练的传统 “全局” 模型，更有效地适应了时间变化。通过利用挪威两个处理厂的两年数据进行比较分析，证明了 ReWTS 集成模型的优越性。在各种模型结构上，它在两个数据集上的均方预测误差方面始终优于全局模型，提高了 10-70% 的性能，并且具有更强的异常值容忍性。这种方法在为决策和控制系统开发自动化、适应性预测模型方面显示出潜力。

Mar, 2024

研究提出了一种基于信息论特征的高度通用的方法，用于识别和学习多变量时间序列数据中的模式和趋势。通过在人类活动数据中分析模式变化，结果表明该方法可以提高召回率、F1 分数和准确性，在平均基线模型和更简单的模型结构下，平均减少 18.75 倍的模型参数数量。

Feb, 2023

该研究提出了一种从分布角度解决时间序列分类问题的新方法，称为 DIVERSIFY，该方法采用对抗性训练获得最坏情况分布并匹配子域的分布来学习泛化表示，实验结果表明该方法在不同情境中的 7 个数据集上具有显著优势，可以有效地表征者潜在分布。

Sep, 2022