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

提出了一种GRU-ODE-Bayes方法来建模真实世界的多维时间序列，该方法包括对神经普通微分方程的连续时间版本和处理不规则数据采样的贝叶斯更新网络，并证明了该方法在医疗保健和气候预测领域的应用中优于现有技术。

May, 2019

本文介绍一种基于变分自编码器和生成对抗网络的编码器-解码器框架，用于学习不规则采样的时间序列数据，提出了一种连续卷积层用于与现有神经网络体系结构高效对接。实验证明，该模型在不规则多元时间序列分类的结果上可以比最近的RNN模型表现得更好，同时具有显著更快的训练速度。

Aug, 2020

提出了一种序列变分自动编码器模型（SISVAE），其基于VAE模型，以及采用平滑性先验，用于多维时间序列的稳健估计和异常检测，这种模型采用灵活的神经网络来参数化每个时间戳的均值和方差。

Feb, 2021

提出了一种解决非均匀时间间隔和时间上的不对齐问题的概率预测模型，该模型通过允许观测时间成为模型构建的核心来克服现有方法的局限性，使用条件流表示来非参数地表示数据分布，并通过精心分解对数似然目标来监督该表示。

Jun, 2023

本研究介绍了一种新的数据增强方法，用于准周期性时间序列任务，通过将类内样本连接在一起，从而在潜在空间中找到顺序。该方法基于著名的混合技术，并结合了一种考虑非平稳时间序列的周期性的新方法。通过控制数据增强引起的混乱程度，我们的方法实现了改进的特征表示和下游任务的性能。在心率估计、人体活动识别和心血管疾病检测等三个时间序列任务上，我们对所提出的方法进行了广泛实验，与最先进的方法进行了比较，结果表明该方法在数据生成和已知数据增强技术方面优于之前的工作，反映了该方法的有效性。

Sep, 2023

利用条件归一化流对不规则采样时间序列进行概率预测，解决了缺失值问题，并且相比先前最佳模型，提供了4倍更高的似然度。

Feb, 2024

本研究提出了MAPU和E-MAPU两种方法，分别解决了时间序列的源域自适应和预测准确性问题，通过引入新的时间插补任务和evidential deep learning方法，有效提高了自适应性能。

Jun, 2024

基于条件互信息最大化，通过仅使用下游损失训练采集器的端到端方法，我们提出了一种方法来降低成本并在维持下游预测器性能的情况下甚至提高其性能。我们证明了我们的方法优于随机采集策略，与不受限制预算的模型相匹配，但尚未超越静态采集策略。我们强调了假设，并提出了未来工作的方向。

Jul, 2024

本研究针对医疗环境中普遍存在的不规则时间序列数据，提出了专门的预训练框架EMIT，以优化现有自监督学习方法的性能。该框架通过基于数据变化率的掩码重构技术，增强模型处理不规则时间间隔的能力，并在MIMIC-III和PhysioNet Challenge数据集上取得了显著的性能提升。

Sep, 2024