我们的研究论文介绍了一种监督深度学习方法，用于多变量时间序列数据中的事件检测，采用回归而不是二分类。我们通过建立数学模型证明了我们的方法是普适的，能够在时间序列上满足任意精度的任何类型的事件检测，特别适用于罕见事件和不平衡数据集。

Nov, 2023

该研究提出了一种新的事件检测方法，能够在时间序列数据中识别基于频率的事件，并通过对象检测模型将事件映射回时间序列数据以标记相应的时间间隔。该算法在未知数据集上评估时，在事件检测方面达到了 0.97 的准确率，提供了清晰的时间间隔边界，对于人工视觉检测来说这是一项具有挑战性的任务。将这种方法应用到车辆开发过程中，提高了事件检测的准确性和可靠性，对于快速测试分析非常重要。

Oct, 2023

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。

Jul, 2023

该研究提出了一种基于深度学习模型的方法，通过检测查询中的时间模式来分类给定查询，从而解决检测动态事件类别的挑战。初步结果表明，我们的模型显著优于现有的分类模型。

Jun, 2016

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

我们研究了在数据点序列中预测和解释事件发生的挑战，特别关注未知触发器导致事件发生的非连续、屏蔽和嘈杂数据点的情况。通过结合分析、仿真和机器学习方法，我们探索、量化和提供了解决此挑战的解决方案，并确证了支持各种变化的通用方程。使用这些方程，我们描述了复杂性如何随各参数变化（例如，明显和隐藏状态的数量、触发器长度、置信度等）而变化，并量化了成功训练机器学习模型所需的数据。我们还证明了我们的机器学习解决方案能够学习和识别未知触发器并预测事件的发生。如果挑战的复杂性过高，我们的机器学习解决方案可以识别触发器候选项，以更高效的方式与正在调查的系统进行交互，以确定真正的触发器。通过分享我们的发现，我们希望帮助其他面临类似挑战的人们，让他们能够估计问题的复杂性、所需数据以及解决方案。

Jun, 2024

本文系统评估了多种无监督和半监督的基于深度学习的方法，针对来自物联网系统的多维时间序列数据进行异常检测和诊断。通过实验，我们提出了评估时间序列异常检测的组合 F-score ($Fc_1$) 度量，该度量考虑了异常事件的相关性和检测器的复杂性。实验结果表明，通过动态评分函数，相比静态评分函数，更能提高检测的准确性。而在具体的评分函数的选择上，往往比基本模型的选择更为重要。最后通过实验，我们发现了一个简单而有效的检测器，即基于单变量完全连接的自编码器，并采用动态高斯评分函数。该检测器在异常检测和诊断方面胜过了现有的算法。

Sep, 2021

本文提出了一种基于 GRU 的模型，结合了注意机制，将语法信息和时间结构相结合，具有与其他神经网络架构相当的性能，在 ACE2005 数据集的不同随机初始化和训练验证测试划分下进行了经验评估。

Aug, 2018

本研究介绍了 TSFEDL 库，该库编译了 20 种时序特征提取和预测的先进方法，利用卷积神经网络和循环神经网络用于数据挖掘任务，结果表明该 Python 库有很高的实用价值。

Jun, 2022

本文提出了 EventDrop，一种简单易于实现的方法，通过删除选择性的事件来增加异步事件数据的多样性，从而提高深度模型的泛化性能，实验证明可以在多种深度网络上显著提高泛化性能。

Jun, 2021