Jun, 2024

TSCMamba：Mamba 与多视图学习相结合的时间序列分类

PDF
TL;DR我们提出了一种新颖的多视图方法，将频域和时域特征整合起来，为时间序列分类提供互补的上下文。我们的方法将连续小波变换光谱特征与时间卷积或多层感知器特征融合在一起，并利用 Mamba 状态空间模型进行高效和可扩展的序列建模，同时引入一种新颖的扫描方案来更好地建模序列关系。在 10 个标准基准数据集上的实验证明，我们的方法相对于最先进的时间序列分类模型，平均准确率提高了 6.45%。
time series classificationmultivariate time seriesfrequency-domaintime-domain featuresmamba state space model
发现论文，激发创造
  • 时间序列分类的多尺度卷积神经网络

    提出了一种基于多尺度卷积神经网络的时间序列分类模型，该模型将特征提取和分类集成在一个框架中，具有较高的准确性和计算效率，并在大量基准数据集上进行了全面的实证评估，取得了优于其他先进方法的性能。

    Mar, 2016

  • 双向 Mamba4TS：用于时间序列预测的双向 Mamba

    提出了一种名为 Bi-Mamba4TS 的双向 Mamba 模型，通过采用补丁技术丰富了局部信息并精细捕捉时间序列的演化模式，同时结合数据集特征选择更合适的建模方法，实验证明该模型在七个真实数据集上相较于现有方法获得了更准确的预测结果。

    Apr, 2024

  • TimeMIL：通过面向时间的多实例学习推进多变量时间序列分类

    利用弱监督学习将多变量时间序列分类重新定义为多实例学习问题，通过引入基于时间感知的多实例学习池化，结合专门设计的可学习小波位置标记的令牌化变换器，以更好地定位和建模时间序列中感兴趣的模式，并表明该方法在多变量时间序列分类方面的优越性。

    May, 2024

  • DTMamba：时间序列预测的双孪蛇

    利用 Mamba 模型对时间序列数据预测任务进行了实验，实验结果表明我们的模型表现良好。

    May, 2024

  • C-Mamba: 增强通道关联的状态空间模型用于多变量时间序列预测

    提出了一种名为 C-Mamba 的基于状态空间模型的多变量时间序列预测方法，通过混合通道和通道注意力增强的方式来捕捉跨通道依赖关系，获得了在七个真实世界时间序列数据集上的最先进性能，同时其混合和注意力策略在其他框架中表现出强大的泛化能力。

    Jun, 2024

  • 大规模时间序列数据的快速分类

    时间序列分类是时间序列挖掘中最重要的任务之一，本论文介绍了一种以效率为主要目标的新方法，通过简化时间序列的表示和考虑部分值的距离度量，实现对大型时间序列数据集的高效分类。实验结果表明，与其他高效方法相比，该方法不仅平均速度快 4 倍，而且在分类准确性上更为优越。

    Dec, 2023

  • ST-MambaSync：高陡交通预测的 Mamba 结构与时空变换器融合

    这项研究介绍了 ST-MambaSync，它是一个创新的框架，将一个简化的状态空间层与一个流线型的注意力层集成在一起，在处理高维数据（如空间 - 时间数据集）时，它在空间 - 时间预测任务中实现了竞争性的准确率。我们深入研究了注意机制与 Mamba 组件之间的关系，揭示了 Mamba 在残差网络结构中起到类似于注意力的功能。这种对比分析支持了状态空间模型的高效性，阐明了它们在降低计算成本的同时能够提供卓越的性能。

    Apr, 2024

  • 时间机器：长期预测的时间序列价值等于 4 条眼镜蛇

    TimeMachine 是一种创新的模型，利用 Mamba 作为状态空间模型来捕捉多变量时间序列数据中的长期依赖关系，同时具有线性可扩展性和小内存占用。TimeMachine 利用时间序列数据的独特属性，在多个尺度上生成显著的上下文提示，并利用一种创新的集成四重 - Mamba 架构统一处理混合通道和独立通道情况，从而在不同尺度上以全局和局部上下文的方式对内容进行有效选择以进行预测。实验结果表明，TimeMachine 在预测准确性、可扩展性和内存效率方面表现出优异的性能，已在基准数据集上进行了广泛验证。

    Mar, 2024

  • 曼巴在时间序列预测中是否有效？

    本文介绍了两种基于状态空间模型（SSM）的时序预测模型，S-Mamba 和 D-Mamba，它们利用 Mamba 块提取变量之间的相关性，在节省 GPU 内存和训练时间的同时实现了卓越的性能，同时通过大量实验比较了 Mamba 和 Transformer 在时序预测中的潜力，为该领域探索了新的研究方向。

    Mar, 2024

  • 时间序列分类的深度学习综述

    本文通过一个基于深度神经网络结构的实证研究，介绍最新的深度学习算法在时间序列分类方面的最新状态，以及给出了一个自由开放的深度学习框架，并在 97 个时间序列数据集上进行了 8,730 种模型的训练来达到最全面的时间序列分类问题的深度学习算法的研究。

    Sep, 2018