我们提出了一个网络混搭应用服务框架，支持多元时间序列的模型定义、参数学习、模型评估、数据监控、决策推荐和 Web 门户服务，并在一个实验案例中验证了我们的框架、模型和语言。

Oct, 2022

本文通过大规模的、基于实证的、定量化的方法，对时间序列分类中的相似度测量方法进行了广泛的评估，提出了更加一致的评估标准和基准措施的建议。

Jan, 2014

多模态基于方面的情感分析 (MABSA) 研究了一个管道框架，其中首先通过 MATE 多模态方面术语抽取识别方面，然后将这些方面与图像补丁对齐用于情感分类 (MASC)，并且该方法在 Twitter-15 和 Twitter-17 数据集上取得了最先进的性能表现。

May, 2024

该研究旨在开发一种无监督学习框架，能够在未标记的事件触发时间序列中学习任务感知的相似性，该框架利用多尺度自编码器和高斯混合模型有效地学习时间序列的低维表示，得到的相似度量易于解释，通过广泛的实验表明，该方法明显优于现有的方法。

Jul, 2022

最近，通过学习动态金融市场中的空间和时间信息，采用深度学习或强化学习方法对投资组合进行优化。然而，在大多数情况下，现有的方法可能会根据传统价格数据产生偏斜的交易信号，由于大量市场噪音，这可能导致投资回报和风险无法平衡。因此，本文提出了一种多智能体和自适应投资组合优化框架，集成了注意机制和时间序列，即 MASAAT，其中创建了多个交易智能体以观察和分析价格序列和方向变化数据，以识别不同粒度级别上资产价格的显著变化，从而增强价格序列的信号噪声比。通过重构金融数据的令牌序列，每个智能体的基于注意力的横截面分析模块和时间分析模块可以有效捕捉资产之间的相关性和时间点之间的依赖关系。此外，将投资组合生成器集成到所提出的框架中，以融合空间 - temporal 信息，然后总结所有交易智能体建议的投资组合，生成新的合奏投资组合，以减少偏斜的交易行为，并平衡整体回报和风险。实验结果清楚地表明，与许多知名的投资组合优化方法相比，MASAAT 框架在 DJIA、S&P 500 和 CSI 300 三个具有挑战性的数据集上取得了令人印象深刻的增强效果。更重要的是，我们的提案在未来的研究中具有许多潜在优势应用。

Apr, 2024

该论文提出了一种称为强健时间序列簇核的方法，使用了高斯混合模型和信息先验分布来处理缺失数据，并采用集成学习方法来确保对参数的鲁棒性。实验结果表明，该方法对于参数的选择鲁棒，在处理缺失数据的情况下表现出色。

Apr, 2017

提出了一种基于模块裁剪和 Pareto 分析的方法，旨在研究模型效率与准确性及其复杂性之间的关系，以设计一种有效的网络架构来减少计算成本，实验结果在基准 MTS 数据集上验证了该方法的有效性。

Mar, 2022

本文提供了关于时间序列分析的最重要开源工具的简明易懂的概述，并通过架构和定义主要功能来描述典型的时间序列分析框架，并将工具基于分析任务、数据准备和结果评估方法进行分类和量化分析。

Mar, 2022

时间序列分析中，精确测量相似性对于预测、异常检测和聚类等应用至关重要。本文引入了一种基于结构相似性指数度量的时间序列结构相似性指标测量（TS3IM），通过评估趋势、变异性和结构完整性等多个维度的相似性，提供了更细致和全面的测量方法。这一新指标在分析时间数据、提供更准确和全面的序列分析和决策支持方面有着重要的作用，在监测能耗、分析交通流量和对抗性识别等领域取得了实验结果方面显著的进展。

May, 2024

本文旨在提出一种学习马氏距离来执行多变量时间序列对齐的方法，并将对齐问题作为结构预测任务来解决，提出了可行的优化方法在真实数据上进行实验证明此方法能够有效地提升对齐性能，并在基本音频特征的基础上提供了一种构建更好性能的特征组合的方法。

Sep, 2014