FITS: 使用 10k 个参数建模时间序列
介绍了 MOSFiT:一个用于解决时间域天文学中观测数据与理论模型之间断裂的 Python 工具,可以自动下载数据,并生成半解析光变曲线拟合结果及业已确定的贝叶斯参数,可将拟合结果更新到数据源以分享给其他人
Oct, 2017
SparseTSF 是一种全新的、极其轻量级的用于长期时间序列预测(LTSF)的模型,通过最小化计算资源,解决了在扩展时间范围内对复杂时间依赖性进行建模的挑战。SparseTSF 的核心是交叉周期稀疏预测技术,通过降采样序列来专注于交叉周期趋势预测,有效提取周期特征并减小模型复杂性和参数数量。基于该技术,SparseTSF 模型使用少于 1k 个参数实现了与最先进模型相媲美或更优的性能。此外,SparseTSF 展示了显著的泛化能力,适用于计算资源有限、样本较少或质量较低的情境。
May, 2024
本文介绍了 FATS(Feature Analysis for Time Series)库,这是一个基于 Python 的库,旨在便于和规范时间序列数据的特征提取。我们特别关注一种应用 —— 天文光曲线数据的特征提取,并详细介绍了用于光曲线分析的方法和功能,并提供了使用示例。
May, 2015
我们提出了 FIT 框架来评估多元时间序列黑匣子模型中观察值的重要性,并且与现有的基线方法比较,在模拟和真实世界的临床数据上证明我们的方法在确定时间序列中的重要时间点和观察值方面更具优越性。
Mar, 2020
本文提出 N-HiTS 模型,该模型可以通过采用新颖的分层插值和多速率数据采样技术解决了长时间预测中的波动性和计算复杂性问题,并证明了分层插值技术可以在存在光滑性时有效地逼近任意长的时间预测,在大规模数据集实验中表现优于现有的 Transformer 架构,平均准确率提高了近 20%,同时降低了一个数量级的计算时间(50 倍)。
Jan, 2022
构建时间序列预测的基础模型并研究其缩放行为,我们提出了 Lag-Llama,这是一个通用的单变量概率时间序列预测模型,它是在大量时间序列数据上训练而成的。该模型表现出了良好的零样本预测能力,在未见过的 “超出分布范围” 的时间序列数据上优于监督基线模型。我们使用平滑断裂幂律来拟合和预测模型的缩放行为。开源代码可在此网址获取。
Oct, 2023
将非线性低维时间序列数据映射到高维空间进行线性高维预测,以实现快速、高效和轻量级的在线时间序列预测,并使用新颖的联合训练框架适应时间序列分布的变化。TSF-HD 在短期和长期时间序列预测中表现出优越性能,推理延迟较小。
Feb, 2024
提出了一种名为 GraFITi 的基于图的模型,使用图神经网络来预测不规则采样时间序列中的缺失值,该模型优于现有的预测模型,并在预测精度上提高了 17%,在运行时间上提高了 5 倍。
May, 2023
我们介绍 MOMENT,这是一款用于一般时间序列分析的开源基础模型系列。我们在时间序列数据上进行大型模型的预训练面临挑战:(1) 缺少一个大规模的连贯的公共时间序列数据库,(2) 多样化的时间序列特征使得多数据集训练变得困难,以及 (3) 用于评估这些模型的实验基准,尤其在资源、时间和监督有限的情况下,仍处于初级阶段。为了解决这些挑战,我们建立了一个名为 Time-series Pile 的大规模多样化的公共时间序列收集,并系统地解决时间序列特定挑战,以解锁大规模多数据集的预训练。最后,我们在最近的工作基础上设计了一个基准来评估有限监督设置下各种任务和数据集上的时间序列基础模型。在此基准上的实验证明了我们的预训练模型在少量数据和任务特定微调下的有效性。最后,我们还提出了几个关于大型预训练时间序列模型的有趣的实证观察。我们的代码可以匿名访问:anonymous.4open.science/r/BETT-773F/。
Feb, 2024