我们提出了一种基于内省的时间序列分析的新架构概念,其中关键是自监督预训练的时间序列表示模型(TSRM),可以在自动化和资源高效的方式下进行定制和微调,以实现特定任务,如预测和插补。我们的架构通过灵活和分层的表示学习过程对抗缺失数据和异常值,能够捕捉和学习给定时间序列类别(如心率数据)的结构、语义和关键模式的本地和全局特征。与现有方法相比,我们的架构提高了插补和预测误差,分别高达 90.34%和 71.54%,同时减少了可训练参数高达 92.43%。
May, 2024
本文提出了一种结合了谱分解和时间分解的数据增强方法,可用于预测型时间序列数据的生成,实验表明该方法在五个真实的数据集上均取得了比其他基准模型和增强方法更好的表现。
Mar, 2023
我们介绍了一种名为 TSAA 的时间序列自动增强方法,用于应对长期预测中的过拟合挑战,并在挑战性的一元和多元预测基准问题上表现出卓越的性能,建议将其整合到预测流程中。
该论文提出了一种基于注意力机制的体系结构,可以在处理高度稀疏的时间序列数据时提高自动编码器的鲁棒性,达到填充(imputation)缺失值的目的。
May, 2022
使用无监督学习通过重建随机数据投影来学习高质量数据表示,该方法适用于不同数据模态和网络架构,并超过了多个最先进的无监督学习基线模型的性能。
Oct, 2023
本文提出了一种新的转移学习框架,借助相似的源数据改善空间自相关模型的估计和预测精度,包括一个转移阶段和一个去偏阶段的两阶段算法用于估计未知参数,并建立了相应估计器的理论收敛速度;如果不知道哪些源数据需要转移,提出了一种基于空间残差自助法的可转移源数据检测算法以保留必要的空间依赖性,并得出了其检测一致性。通过仿真实验表明,使用具有信息的源数据,该转移学习算法显著提高了经典的两阶段最小二乘估计器的性能。在实证应用中,我们将该方法应用于 2020 年美国总统选举中摇摆州的选举预测,利用 2016 年美国总统选举的民意调查数据以及其他人口和地理数据。实证结果表明我们的方法优于传统估计方法。
本文提出了一种基于自监督的时空学习框架,用于表示从面部视频中收集的生理信号,通过应用特定的数据增强模型以及约束时空损失,可以取得比其他自监督方法更好的结果,并且与最先进的有监督方法具有相当的精度。
Jul, 2021
使用多变量奇异谱分析(mSSA)和普通最小二乘法(OLS)算法,我们提出了一种名为 SAMoSSA 的新算法,可对时间序列数据进行分析,具有预测分析和模型识别功能。我们的算法可应对自回归噪音结构,提高数据处理的准确性达 5%至 37%。
May, 2023
本研究使用高斯过程(GPs)探索了对具有基本结构的均值回归时间序列进行预测的应用,使用相对未开发的函数和增强数据结构。通过模拟数据,我们可以将预测分布与测试集的实际分布进行比较,从而减少对实际数据进行时间序列模型测试时固有的不确定性。
Feb, 2024
本文提出了一种用于时间序列数据的表示学习框架,可显著提高预测精度,且在特征转移任务中表现出较强的通用性。
Jun, 2023