时间序列外部回归的无监督特征算法
该研究提出了第一个 Time Series Extrinsic Regression benchmarking archive,用于为更广泛的时间序列问题提供通用方法,由 19 个不同领域的数据集组成,并进行了现有模型的初始基准测试。
Jun, 2020
本文提出一种时间序列分类的树集成方法 —— 时间序列森林 (TSF),采用 Entrance gain 准则计算熵增益和距离度量,同时提出了一种用于捕捉时间序列分类中重要时序特征的 “时间重要性曲线”,在简单特征下性能超过了一些竞争对手如动态时间扭曲进行最近邻分类器,并且具有线性计算复杂度和基于并行计算技术。
Feb, 2013
本文评述了深度学习在时序数据分类和外在回归中的最新技术,讨论了应用深度学习于时间序列数据所面临的挑战和机会,并总结了人体活动识别和卫星观测等两个关键领域的应用。
Feb, 2023
时间序列分类(TSC)一直是数据科学和知识工程中的一项关键且具有挑战性的问题。在过去的二十年里,有关 TSC 的研究受到了广泛关注,并涌现出许多基于相似度度量、区间、形状、字典、深度学习方法或混合集成方法的最新方法。近年来,人们还设计了几种从时间序列中提取无监督信息摘要统计(即特征)的工具。本文通过对 112 个时间序列数据集上进行的超过 10000 次学习实验的结果分析表明,基于特征的方法的性能与当前先进的 TSC 算法一样准确,因此在 TSC 文献中应该得到更多的关注。
Aug, 2023
通过使用 SERT 和 SST-ANN 模型,可以在不需要插补的情况下处理多变量稀疏时间序列,适用于环境监测中的数据预测。
Jun, 2023
本文提出了一种新的以时间序列分类为主题的分类器 —— 基准区间森林(CIF),它将时间序列森林(TSF)和 catch22 特征集相结合,并展示了在 UCR 档案上的显着性能提高。
Aug, 2020
提出了 CLeaRForecast,一个新颖的对比学习框架,通过提供更纯净的时间序列表示和净化方法,解决了时间序列数据中存在的高影响噪声导致的表示不准确和预测性能下降的问题。实验证明 CLeaRForecast 在各种下游时间序列预测任务中具有卓越的性能。
Dec, 2023
通过引入去冗余方法并将信息聚合机制从加法转变为减法,本文改进了 Transformer 模型,并在原始模型的每个模块中添加了一个辅助输出分支来构建通往最终预测结果的高速公路。通过学习残差信号,使模型逐层学习监督信号的残差,实现了输入输出流的隐式渐进分解,从而提高了模型的多功能性、可解释性和抗过拟合能力,并在广泛的实验中证明了该方法优于现有的最先进方法,平均性能提升率达 11.9%。
Feb, 2024
利用离散松弛学习的深度学习算法 FSDR,针对伪时间序列(PTS)数据中的特征选择问题,实验证明 FSDR 在考虑执行时间、$R^2$ 以及 $RMSE$ 的平衡时,优于其他三种常用特征选择算法。
Mar, 2024
提出了一种基于变压器(Transformer)的符号回归规划策略(TPSR),它融合了蒙特卡罗树搜索,允许将准确性和复杂性等非可微反馈信息整合到方程生成过程中,并且在多个数据集上进行的广泛实验表明,TPSR 方法优于现有的方法。
Mar, 2023