张量时间序列的动态多网络挖掘

WWWFeb, 2024

Dynamic Multi-Network Mining of Tensor Time Series

Kohei Obata, Koki Kawabata, Yasuko Matsubara, Yasushi Sakurai

TL;DR本文提出了一种名为 Dynamic Multi-network Mining（DMM）的新方法，用于将张量时间序列转化为一组具有多种长度（即聚类）的段群，并结合 l1-norm 的依赖网络对其进行子序列聚类，以实现可解释性、准确性和可扩展性，并通过实验验证了其在聚类准确性方面优于现有方法。

Abstract

subsequence clustering of time series is an essential task in data mining, and interpreting the resulting clusters is also crucial since we generally do not have prior knowledge of the data. Thus, given a large collection of tensor time series consisting of multiple modes, including ti

subsequence clustering tensor time series dynamic multi-network mining interpretable insights clustering accuracy

发现论文，激发创造

基于 Toeplitz 反协方差的多元时间序列数据聚类

本研究提出了一种基于 Toeplitz Inverse Covariance 的模型聚类方法，称为 TICC，通过马尔科夫随机场描述聚类中子序列中不同观测之间的相互依赖性，从而在同时分割和聚类时间序列数据的过程中实现了可扩展性且解释性更强的结果。

Jun, 2017

基于自编码器的迭代建模与多元时间序列子序列聚类算法

本文介绍了一种用于检测变点和识别瞬态多变量时间序列数据中相应子序列的算法，该算法使用基于递归神经网络 (RNN) 的自编码器 (AE)，通过重构误差和潜在空间信息来建立子序列模型，提出一种基于曲率的相似性度量进行更直观的时间序列子序列聚类，通过与其他七种算法的对比实验表明，我们的算法可以更好地在线及离线聚类多变量时间序列数据。

Sep, 2022

TodyNet：用于多元时序分类的时间动态图神经网络

提出了一种新的基于深度学习的多元时间序列分类 (TodyNet) 方法，该方法可以提取隐含的时空依赖关系，通过动态图机制捕获不同时间段之间的关联，同时可利用可学习的时间参数获取全局图级表示，实现了端到端的联合学习，实验结果表明，该方法在 MTSC 任务中优于现有深度学习方法。

Apr, 2023

利用动态模式分解在大规模神经记录中提取时空一致的模式

本文以动态模态分解算法为基础，结合机器学习方法，研究人脑神经元的大规模信号记录及其体内活动，并通过睡眠肌阵振网络的提取，验证了该算法在脑神经元信号记录分析方面的高效性和适用性。

Sep, 2014

从多模态时间序列中重建非线性动力系统

提出了一种基于动态可解释循环神经网络的通用框架，用于多模态数据的非线性 DS 重建和跨模态关系分析。该算法能够通过利用其他信道来弥补单个数据通道中过度嘈杂或缺失的信息，并演示了该算法如何学习将不同数据域链接到潜在动力学。

Nov, 2021

基于注意力机制的时间序列预测的模块化神经网络：可解释性和特征选择

一篇研究时间序列的多变量预测的可解释神经网络模型，通过循环神经网络学习数据的时间依赖性，配合基于注意力的特征选择组件来选择最相关和抑制冗余的特征，通过独立训练选定特征的模块化深度网络，展示特征对结果的影响，从而使模型可解释。实验结果表明，该方法在时间序列的回归和分类任务中优于现有的可解释神经加性模型（NAM）及其变体，且达到与时间序列的非可解释方法 LSTM 和 XGBoost 相媲美的预测性能。

Nov, 2023

Time-MMD：一个用于时间序列分析的新型多领域多模态数据集

引入 Time-MMD，一个涵盖 9 个主要数据领域、首个多领域、多模态时间序列数据集，通过扩展单模态 TSF 到多模态，显著提高了性能。

Jun, 2024

张量时间序列网络

本篇论文提出了一种名为 Tensor Time Series Network 的新模型，它包括两个模块，解决了如何结合时间序列的关系网络和如何建模时间动态的隐含关系等问题，并在五个真实数据集上的实验结果证明了该方法的有效性。

Feb, 2021

MPPN: 多分辨率周期模式网络用于长期时间序列预测

本文提出了一种新颖的深度学习网络结构 MPPN，用于长期时间序列预测，该结构采用多分辨率语义单元、多周期模式挖掘和通道自适应模块来捕捉时间序列的本质模式，并提出了基于熵的评估方法来提高预测精度。在九个真实世界基准测试中，实验结果表明，MPPN 显著优于现有的基于 Transformer、分解和采样的长期时间序列预测方法。

Jun, 2023

用图神经网络连接点：多元时间序列预测

该研究提出了一种面向多变量时间序列数据的图神经网络框架，采用图学习模块提取自动生成的变量之间的关系，同时运用新颖的混合传递和膨胀创新层捕捉时间序列中的空间和时间相关性，而这些模块被联合学习在一个端对端框架中。实验结果表明，该模型的性能在 3 个基准数据集上优于现有最先进方法，并在提供额外结构信息的两个交通数据集上实现了与其他方法相当的性能。

May, 2020