使用 Auto Encoded Compact Sequence 和分层聚类方法构建的时间序列聚类算法，在选择最佳距离测量方法的基础上，采用递归神经网络进行自动编码，不仅可以解决大量计算时间的问题，而且在多个应用领域中表现出比基准结果更好的性能。

Jan, 2021

通过一种无监督方法，提出了在长度和标签稀疏性方面都很具有可扩展性的编码器，通过时间负采样的三元损失组合将其与基于因果膨胀卷积的编码器结合，用于生成变长时间序列的通用表示，表现出了良好的质量、可转移性和实用性。

Jan, 2019

时间序列上的自我监督学习能够使得类似于自然语言处理和计算机视觉领域中最近释放的潜力发挥出来。通过使用基于 data2vec 自蒸馏框架的一个概念上简单而强大的非对比度方法，我们的方法展示了在分类和预测等下游任务上与 UCR、UEA 和 ETT 以及 Electricity 数据集上的最先进的自我监督学习方法相比的竞争力。

Nov, 2023

研究利用自监督学习扩展传统监督模型，以应对移动感知环境中许多传感器持续产生的大量数据和标注数据不足的挑战，通过一个未标注的时间序列数据集来抽取特征并预测带有标签的数据，研究结果表明在四种公共数据集上对于不同类型的传感器和应用，选择不同大小及来源的未标注数据会对最终的分类预测性能产生影响。

May, 2023

利用预测时间下一节点以及基于时间平滑性的模型选择度量，我们提出了一种能够减轻 VAE 学习虚假特征，并能在合成数据集中准确恢复潜在因素的 VAE 架构。

Dec, 2023

本研究探讨了无监督表示学习在医学时间序列上的应用，结果表明无监督表示学习可以优于端到端监督体系结构，使用序列到序列模型 (Sequence-to-Sequence, Seq2Seq) 的效果最佳，通过第一次在无监督学习的医学时间序列中使用集成注意力机制，实现了预测性 Seq2Seq 模型的最佳表现。

Dec, 2018

本文提出了一种基于变分自动编码器的新型体系结构，可用于进行时序数据的合成生成，具有可解释性，能够编码领域知识，训练时间较短。实验表明，该方法在数据相似度和预测性方面均表现优异，依然能够准确地呈现原始数据的时态属性，并且对于下一步预测具有显著的改善效果。最后，该模型可以将特定领域的时间模式融入到生成模型中，提供可解释性的输出。

Nov, 2021

本文介绍了一种用于检测变点和识别瞬态多变量时间序列数据中相应子序列的算法，该算法使用基于递归神经网络 (RNN) 的自编码器 (AE)，通过重构误差和潜在空间信息来建立子序列模型，提出一种基于曲率的相似性度量进行更直观的时间序列子序列聚类，通过与其他七种算法的对比实验表明，我们的算法可以更好地在线及离线聚类多变量时间序列数据。

Sep, 2022

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

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