MMSep, 2022

基于自编码器的迭代建模与多元时间序列子序列聚类算法

PDF
TL;DR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。
change-pointsmultivariate time-series datacondition based maintenancerecurrent neural networksubsequence clustering
发现论文，激发创造
  • 多分辨率集合和预测编码的循环自编码器用于多元时间序列异常检测

    本研究提出了一种名为 RAE-MEPC 的无监督多变量时间序列异常检测模型，利用多分辨率集成和预测编码学习具有非线性时间动力学的正常行为的信息丰富的表示，实验结果表明该模型在多变量时间序列异常检测方面胜过基准模型。

    Feb, 2022

  • 使用自编码紧凑表示的分层聚类进行时间序列分析

    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

  • 多元时间序列数据非监督异常检测和诊断的深度神经网络

    该论文提出了一种名为 “MSCRED” 的多尺度卷积循环编码器 - 解码器模型，用于在多元时间序列数据中执行异常检测和诊断，并且在合成数据集和实际电厂数据集上进行了广泛的实证研究，证明 MSCRED 可以优于现有的基线方法。

    Nov, 2018

  • 通过迭代改善的方法进行非自回归神经序列建模

    提出一种基于迭代改善的有条件非自回归神经序列模型，结合了潜变量模型和自编码器的原则，可以广泛应用于任何序列生成任务。该模型经过在机器翻译（En-De 和 En-Ro）以及图像字幕生成方面的广泛评估，观察到它显著加快解码速度，并保持与自回归形式相当的生成质量。

    Feb, 2018

  • 一种基于行为模式检测和自编码器的多维时间序列恢复方法

    该论文介绍了一种通过神经网络和搜索片段的算法来恢复多维时间序列中的缺失值的方法，包括数据预处理、识别和重建阶段，使用了卷积和循环神经网络，实验证明该方法具有较高的恢复准确度和相对于其他先进方法的优势。

    Dec, 2023

  • 基于序列重建的状态空间模型的时间序列异常检测

    本文提出一种基于序列编码器和解码器的，利用前后向时间信息学习双向动态的无监督异常检测方法，通过对正常样本状态空间的正则化和使用马氏距离评估异常等级，实现对复杂多元时间序列数据中异常数据模式的识别和潜在故障的检测。

    Mar, 2023

  • 基于 LSTM 的编码器 - 解码器多传感器异常检测

    使用长短时记忆网络的编码器 - 解码器方案构建正常时间序列的重建，使用重构误差检测异常，实现了在可预测、不可预测、周期、非周期和准周期时间序列中检测异常。

    Jul, 2016

  • 使用具有时变不变性的自编码器进行时间序列数据的变点检测

    使用基于自动编码器的新型损失函数方法对时间序列数据中的变点进行检测，能够发现信号自相关统计中更微妙的变化并减少误报率。该方法可在时间域、频率域或两者中指示变点，并可检测斜率、均值、方差、自相关函数和频率光谱的突变等。实验表明该方法在各种模拟和真实数据集中，始终比其他基线方法具有更高的性能。最后，我们使用匹配滤波器和新的变点分数结合的后处理程序，以解决误检报的问题。

    Aug, 2020

  • 基于 Toeplitz 反协方差的多元时间序列数据聚类

    本研究提出了一种基于 Toeplitz Inverse Covariance 的模型聚类方法，称为 TICC，通过马尔科夫随机场描述聚类中子序列中不同观测之间的相互依赖性，从而在同时分割和聚类时间序列数据的过程中实现了可扩展性且解释性更强的结果。

    Jun, 2017

  • MTSMAE: 基于掩码的自编码器用于多元时间序列预测

    该论文提出了一种新的基于 Masked Autoencoders (MAE) 的自监督预训练方法称为 MTSMAE，利用补丁嵌入的方法处理多元时间序列，实验证明，该方法的性能显著优于目前最好的方法。

    Oct, 2022