Jul, 2023

多元时间序列分类：深度学习方法

PDF
TL;DR本研究探究适用于时间序列分类领域的不同方法和各种神经网络结构。该论文通过使用来自气体传感器的数据来探测某一特定环境中的占用状态，并使用 Fully Convolutional Networks (FCN) 和 Long Short-Term Memory (LSTM) 进行监督学习和递归自编码器进行半监督学习，通过评估精度和召回率等指标来确定哪种方法最适合此问题。
time series classificationneural network architecturesfully convolutional networkslong short-term memoryrecurrence autoencoder
发现论文，激发创造
  • 时间序列分析的深度学习

    本文综述了深度学习在时间序列分析和预测领域的主要技术，这些新技术实现了针对时间序列的无监督特征学习，并且取得了不错的应用效果。

    Jan, 2017

  • 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

  • 使用深度神经网络从头开始进行时间序列分类：一个强大的基准

    提出了用深度神经网络从头开始进行时间序列分类的简单但强大的基准线。通过提出的全卷积网络（FCN）和 ResNet 结构的非常深层神经网络的探索，实现了优越的性能。我们卷积模型中的全局平均池化即可利用类激活映射（CAM）来查找特定标签的原始数据中的贡献区域，为现实世界的应用提供了简单的选择和未来研究的良好起点，同时提供了总体分析来讨论我们的模型，学习特征，网络结构和分类语义的泛化能力。

    Nov, 2016

  • 时间序列预测深度学习架构的实验综述

    本文研究旨在回顾深度学习在时间序列预测方面的应用，并比较其性能，结果表明长短时记忆网络（LSTM）和卷积神经网络（CNN）是最佳选择，其中 LSTM 获得最准确的预测结果，而 CNN 在不同参数配置下能够实现可比较的性能和更高的效率。

    Mar, 2021

  • 用 LSTM 全卷积神经网络进行时间序列分类

    本文探讨了通过在完全卷积神经网络中增加长短时记忆循环神经网络分支（LSTM RNN sub-modules）来进行时间序列分类的方法，通过使用注意力机制（Attention mechanism）优化模型以及微调（fine-tuning）等方法可以显著提高模型性能。LSTM-FCN 的性能比其他模型表现更出色。

    Sep, 2017

  • 时间序列分类的深度学习综述

    本文通过一个基于深度神经网络结构的实证研究，介绍最新的深度学习算法在时间序列分类方面的最新状态，以及给出了一个自由开放的深度学习框架，并在 97 个时间序列数据集上进行了 8,730 种模型的训练来达到最全面的时间序列分类问题的深度学习算法的研究。

    Sep, 2018

  • 用于时间序列分类的多元 LSTM-FCNs

    本研究将现有的单变量时间序列分类模型 LSTM-FCN 和 ALSTM-FCN 转化为多变量时间序列分类模型，通过增加 squeeze-and-excitation 块改善了分类的准确性。提出的模型适用于各种复杂的多变量时间序列分类任务，如活动识别或动作识别。此外，提出的模型在测试时非常高效，且足够小以部署在内存受限的系统上。

    Jan, 2018

  • 通过循环神经网络利用多时相空间数据进行土地覆盖分类

    本文研究使用 Recurrent Neural Networks 中的 Long-Short Term Memory（LSTM）模型来进行基于卫星图像时间序列的土地覆盖分类，并与传统方法进行了比较，结果表明 LSTM 模型在处理高度混合的图像分类问题方面表现更具竞争力。

    Apr, 2017

  • 使用卷积神经网络和迁移学习进行时间序列异常检测

    这篇论文提出了一种基于卷积神经网络的时序分割方法来检测异常，并使用迁移学习框架在大规模合成单变量时间序列数据集上进行预训练，然后在小规模、单变量或多变量数据集上进行微调，同时针对多变量情况，介绍了一种新的网络架构。该方法在多个合成和实际数据集上进行了成功测试。

    May, 2019

  • 使用深度神经网络进行相关时间序列预测：结果概述

    本文提出两种深度学习模型来准确预测相关时间序列，第一个模型在每个时间序列上使用卷积神经网络，第二个模型通过在每个时间序列上添加自编码器，实现了多任务学习。在两个现实世界的相关时间序列数据集上，实验证明所提出的两种模型有效且优于大多数基线。

    Aug, 2018