通过系统比较卓越时间序列特征库中的时间序列的适当特征化表示形式，可以捕捉时间序列的动态特性，为时间序列应用程序提供高效的聚类和分类能力。我们通过减少时间序列特征的数量，从和特性库中的原始数量的 4791 种特征中提取出一个名为 catch22 的定义良好、准确有效并不冗余的时间序列特征集，这个集合只包含有 22 个时间序列特征。这种降维数据的方法可以在保持准确性的情况下大大减轻计算负担，并通过让科学、工业、金融和医学应用程序可以使用一种可解释性的时间序列特征语言，从而促进其应用。

Jan, 2019

本文提供了关于时间序列分析的最重要开源工具的简明易懂的概述，并通过架构和定义主要功能来描述典型的时间序列分析框架，并将工具基于分析任务、数据准备和结果评估方法进行分类和量化分析。

Mar, 2022

通过基于矩阵剖面（Matrix Profile）的时间序列综合方法（TSSUMP），我们可以合成时间序列以替代原始数据，从而解决由于隐私规定或机密商业信息泄漏的难题，并保持合成时间序列与原始时间序列之间的相似连接信息（Matrix Profile），同时减少相关性，从而保护个别时间步长的值和本地模式，使得结果数据可以用于数据分析师感兴趣的下游任务。

Nov, 2023

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

该论文对k-means时间序列聚类进行了全面评估，重点研究了两种不同的标准化技术：z-标准化和NP-Free，并通过实验使用轮廓分数评估了它们对聚类质量的影响，填补了这方面研究的空白，为时间序列聚类的发展提供了有价值的见解。

Jan, 2024

本研究探索了跨任务和领域的统一建模，通过使用离散的、学到的时间序列数据表示方法来实现通用、跨领域训练。我们提出了一种名为TOTEM的简单的分词架构，它使用自监督学习的方式来嵌入来自不同领域的时间序列数据。通过在17个真实世界的时间序列数据集上进行广泛评估，我们研究了TOTEM方法的有效性，涵盖了3个任务。我们对专家模式（在每个领域上训练模型）和通用模式（在多个领域上训练单个模型）进行了评估，并展示TOTEM在几个常见基准测试中能够达到或超过先前最佳方法的效果。

Feb, 2024

时间序列分析基于FMs的模型设计范式的最新进展，强调其理论基础、发展的最新步伐和未来研究探索的途径。

Mar, 2024

提出了一个评估大型语言模型（LLM）在时间序列理解方面能力的框架，包括单变量和多变量形式；通过研究时间序列的特征以及设计和合成数据集来评估LLMs在时间序列理解方面的能力，并揭示了LLMs对数据格式、查询数据的位置和时间序列长度等因素的敏感性。

Apr, 2024

我们提出了一种基于内省的时间序列分析的新架构概念，其中关键是自监督预训练的时间序列表示模型（TSRM），可以在自动化和资源高效的方式下进行定制和微调，以实现特定任务，如预测和插补。我们的架构通过灵活和分层的表示学习过程对抗缺失数据和异常值，能够捕捉和学习给定时间序列类别（如心率数据）的结构、语义和关键模式的本地和全局特征。与现有方法相比，我们的架构提高了插补和预测误差，分别高达90.34％和71.54％，同时减少了可训练参数高达92.43％。

May, 2024

本研究针对当前时间序列分析方法在揭示演变模式方面的不足，提出了一种新的NEMoTS方法，该方法结合了神经网络与蒙特卡洛树搜索技术，显著提升了计算效率和通用性。实验结果显示，NEMoTS在性能、效率、可靠性和可解释性方面显著优于现有方法，适用于大规模实际时间序列数据分析。

Sep, 2024