TSFEDL: 一个 Python 库，用于使用深度学习进行时间序列时空特征提取和预测（并带有有关详细网络架构和研究案例的附录）

Jun, 2022

TSFEDL: 一个 Python 库，用于使用深度学习进行时间序列时空特征提取和预测（并带有有关详细网络架构和研究案例的附录）

TSFEDL: A Python Library for Time Series Spatio-Temporal Feature Extraction and Prediction using Deep Learning (with Appendices on Detailed Network Architectures and Experimental Cases of Study)

PDF

Ignacio Aguilera-Martos, Ángel M. García-Vico, Julián Luengo, Sergio Damas, Francisco J. Melero...

TL;DR本研究介绍了 TSFEDL 库，该库编译了 20 种时序特征提取和预测的先进方法，利用卷积神经网络和循环神经网络用于数据挖掘任务，结果表明该 Python 库有很高的实用价值。

Abstract

The combination of convolutional and recurrent neural networks is a promising framework that allows the extraction of high-quality spatio-temporal features together with its temporal dependencies, which is key for time series prediction problems such as forecasting, classification or a

convolutional neural networks recurrent neural networks time series prediction tsfedl library performance validation

发现论文，激发创造

FedRel: 一种用于时空图学习的自适应联邦相关性框架

本文提出了一种自适应联邦关联框架，即 FedRel，在将原始空间 - 时间数据变换为高质量特征后，框架中的核心动态 Inter-Intra Graph (DIIG) 模块能够使用这些特征来生成能够捕捉这些图中隐藏的拓扑和长期时间相关信息的空间 - 时间图。为了提高模型的泛化能力和性能，同时保持本地数据的隐私，我们在我们的框架中设计了一个关联驱动的联合学习模块，以利用不同参与者的多样化数据分布，并集中聚合他们的模型。

Jun, 2022

时间序列预测的时空分解与融合网络

利用 TSDFNet 神经网络的自分解和注意力特征融合机制来实现对时间序列数据的预测，同时解决了传统上严重依赖领域知识的特征选择问题以及深度学习模型的可解释性问题。

Oct, 2022

DeepTSF: 无代码的时间序列预测机器学习运营

DeepTSF 是一款全面的机器学习操作（MLOps）框架，通过工作流自动化和无代码建模来创新时间序列预测。

Jul, 2023

一个全面的基于深度学习的 Python 库，用于多变量时间序列数据中的事件检测和自然语言处理中的信息检索

该研究论文介绍了一种新的深度学习有监督方法用于检测多变量时间序列数据中的事件，并且提供了一个配套的 Python 软件包，名为 eventdetector-ts。

Oct, 2023

基于时序卷积神经网络的概率预测

本研究基于卷积神经网络提出了一种概率预测框架，可用于多个相关时间序列的预测，并可在参数和非参数设置下估计概率密度。该方法通过堆叠残差块实现了序列的时间依赖关系，并通过表示学习捕获了季节性、假日效应等复杂模式，实验证明该框架在精度和效率方面均优于当前其他方法。

Jun, 2019

多维时间序列预测的自适应图卷积网络框架

通过将自适应图卷积网络集成到各种空间时序预测模型中，以解决多维预测中维度之间的关系难以捕捉的问题，并进行了多个数据集的实验测试，证明我们的建议框架在模型中引入后，其准确率提高了约 10%。

May, 2022

深度学习在时空预测中的应用 -- 以太阳能为例

本文研究了基于深度学习的时空预测问题，并探索使用物理知识来改进深度预测方法的两个主要研究方向：一是使用训练损失函数来改进模型的性能，包括确定性情况和概率情况；另一个是通过深度数据驱动网络来增强不完备的物理模型，以实现准确的预测。

May, 2022

一种面向边缘计算的在线时间序列预测的新型高维计算框架

将非线性低维时间序列数据映射到高维空间进行线性高维预测，以实现快速、高效和轻量级的在线时间序列预测，并使用新颖的联合训练框架适应时间序列分布的变化。TSF-HD 在短期和长期时间序列预测中表现出优越性能，推理延迟较小。

Feb, 2024

利用深度神经网络建模长短期时间模式

本文提出了一个新的深度学习框架 —— Long- and Short-term Time-series network (LSTNet)，用于解决多元时间序列预测等问题，并在复杂混合循环模式数据上实现了显著的性能提升。

Mar, 2017

差分卷积模糊时间序列预测

通过使用微分模糊卷积神经网络，本文提出的新模型具有学习能力和对非静态时间序列的预测准确性，其预测效果优于现有的模糊时间序列预测方法以及普通的时间序列预测算法，可进一步提高模糊时间序列预测的准确率。

May, 2023