基于互联网混搭的多元时间序列优化事件监测
多元时间序列数据挖掘是一门关键的研究领域，其中相似性评估是一个具有挑战性的问题。本文提出了一种名为 MTASA 的综合计算方法，用于处理大型数据集、时序不匹配和提供全面分析框架，实现了高精度和高效率的多元时间序列相似性评估。
Mar, 2024
提出了一种基于模块裁剪和 Pareto 分析的方法，旨在研究模型效率与准确性及其复杂性之间的关系，以设计一种有效的网络架构来减少计算成本，实验结果在基准 MTS 数据集上验证了该方法的有效性。
Mar, 2022
使用 BasicTS 基准测试来解决多元时间序列预测中公正对比问题，并通过对丰富的多元时间序列数据集进行详尽的性能和效率比较，为研究人员选择和设计多元时间序列预测模型提供洞见。
Oct, 2023
测试时间自适应是将预训练的源模型无监督地适应到每个测试数据批次（无需大量测试数据，无法访问源数据）的过程，本研究提出了首个完全无监督的多源测试时间自适应框架（MeTA），它通过优化组合权重适应于测试数据分布，并只更新与目标数据最相关的源模型参数，避免 “遗忘” 源模型参数的问题。多个源模型的组合至少能与最佳源模型（具备先见之明）一样好，并且在测试数据分布随时间变化时性能不会下降（遗忘容忍性）。
Jan, 2024
该论文提出了一种增强的事件感知时空网络 (EAST-Net)，其中包括设计一个异构移动信息网络 (HMIN) 和提出一个增强型记忆动态过滤器生成器 (MDFG)，以更好地建模 Mobility-as-a-Service 中的人群移动，特别是在社会事件驱动移动行为偏离正常情况的情况下。
Dec, 2021
本文基于广泛的元学习框架提供了积极的证据，证明元学习能够发现处理时间序列的通用方法，从而大幅提高其在来自不同数据集的新 TS 上的泛化能力。通过许多数据的实验结果和理论分析可以发现，在成功的零 - shot 单变量预测中，元学习机制的重要性。这表明，可以在源 TS 数据集上训练神经网络，并在不同的目标 TS 数据集上部署，而无需重新训练，从而获得至少与先进的单变量预测模型一样好的性能。
Feb, 2020
本研究提出了一种新型的 MTS 分类器 WEASEL + MUSE，通过在每个 MTS 的维度上使用滑动窗口方法提取离散特征，并基于特征选择构建一个小但具有区分性和 MTS 分类有用的特征集。实验表明，WEASEL + MUSE 是一种准确率最高的 MTS 分类器之一，具有良好的鲁棒性。
Nov, 2017
本文提出了一种基于自动生成标记数据的端到端自动化机器学习方法 MOSPAT，以选择算法和参数，可以满足大规模组织中用户所监测的无数用例和指标以及其异常模式的各种时间序列特征。该方法不需要专家知识或繁琐的手动标注，并在实验数据上稳定优于使用任何单一算法。
May, 2022
通过模仿多门专家混合（MMoE）的设计，我们引入了 CAD，一种冲突感知的多变量关键绩效指标异常检测算法，通过为每个指标提供独特的结构来缓解潜在冲突，同时促进指标之间的相互促进，并且通过简单而有效的任务导向的度量选择和个性化与共享的门控机制来建立 CAD 作为第一个实用的基于多任务学习的多变量时间序列异常检测模型，对多个公共数据集的评估表明，CAD 在三个公共数据集上获得了平均 F1 分数 0.943，显著优于现有的方法。
Aug, 2023