Jun, 2024

TSI-Bench: 时间序列插值基准测试

PDF
TL;DR时间序列插补是时间序列分析的重要预处理步骤，然而缺乏标准化和全面的基准平台来评估不同设置下的插补性能，因此我们开发了 TSI-Bench，这是第一个利用深度学习技术来进行时间序列插补评估的综合基准套件，通过标准化实验设置并研究领域适用的缺失率和模式对模型性能的影响，它在不同下游任务中展示了其有效性，有潜力在时间序列插补研究和分析中开启未来方向。
time series imputationdeep learning algorithmstsi-benchbenchmark suitemodel performance
发现论文，激发创造
  • 多元时间序列插补的深度学习：综述

    通过对最近提出的深度学习插补方法进行综合调查，本文首先提出了一种分类法，然后通过强调其优势和局限性对这些方法进行了结构化的审查。同时，我们还进行了实证实验，研究了不同方法并比较了它们对下游任务的改进效果。最后，指出了未来研究多变量时间序列插补的开放问题。

    Feb, 2024

  • 时间序列健康数据深度填补缺失值：综述与基准评估

    本文以五个时间序列健康数据集和六个实验条件为基准，展开数据中心的方法来评估最先进的深度插补方法，发现没有单一的插补方法在所有五个数据集上表现最佳，插补表现取决于数据类型，变量统计，缺失率和类型，这表明在选择多变量时间序列数据的缺失值插补方法时要考虑数据的特定情况。

    Feb, 2023

  • TSGBench: 时间序列生成基准

    合成时间序列生成是数据增强、异常检测和隐私保护等各种应用中至关重要的，然而现有方法存在三个限制，而为了克服这些限制，我们引入了一个统一和综合评估 TSG 方法的 TSGBench 基准，它包括三个模块：一系列经过精心筛选的适用于合成时间序列的真实世界数据集和标准化的预处理流程；包括传统评估方法、基于距离的新评估方式和可视化工具在内的一套全面的评估措施；一项具有开创性的领域适应根基的泛化测试，兼容所有方法。我们对来自不同领域的十个真实世界数据集进行了广泛的实验，利用了十种先进的 TSG 方法和十二种评价措施，所有这些通过 TSGBench 进行了评估，结果突显出其显著的功效和一致性，更重要的是，TSGBench 提供了方法排名的统计细分，阐明了不同数据集和评估措施之间的性能变化，并且提供了对每种方法有效性的细致见解。

    Sep, 2023

  • TFB：面向全面和公正的时间序列预测方法基准化

    提出了一个自动化的时间序列预测（TSF）方法基准（TFB），通过解决数据集、比较方法和评估流程方面的不足，推动了时序预测方法的研究进展，包括数据领域覆盖、对传统方法的偏见以及评估流程的不一致和不灵活性。

    Mar, 2024

  • 深度集合遇见分位回归：面向时间序列的不确定性感知填充

    我们提出了一种非生成时间序列插补方法，该方法通过深度集成与分位数回归相结合，在计算上更高效，并能够准确插补时间序列数据并估计不确定性。

    Dec, 2023

  • 基于时间的迭代插补策略用于多变量纵向临床数据

    本文提出了一种简单的新方法，即基于时间依赖的迭代插补（TDI），用于填补临床数据中的缺失值，该方法针对多变量和纵向数据，并基于数据的临床模式（包括缺失率和测量频率）引入了患者、变量和观察特定的动态加权策略。对 MIMIC III 和 COVID-19 住院病例进行的测试表明，TDI 可提高风险预测的准确性。

    Apr, 2023

  • 多元时间序列预测的进展：全面基准测试和异质性分析

    使用 BasicTS 基准测试来解决多元时间序列预测中公正对比问题，并通过对丰富的多元时间序列数据集进行详尽的性能和效率比较，为研究人员选择和设计多元时间序列预测模型提供洞见。

    Oct, 2023

  • 基于神经网络的时间序列数据中缺失值填补方法的开发 —— 数据 Wig 再利用

    通过修改 DataWig 方法，本研究开发了 tsDataWig（时间序列 DataWig），能够直接处理时间变量的值并填补复杂时间序列数据中的缺失值。通过使用模拟和三个不同的复杂实际时间序列数据集，证明了 tsDataWig 在时间序列数据填补方面优于原始 DataWig 和当前最先进的方法，并且由于不需要对数据缺失机制进行强假设，具有广泛的应用前景。该研究为具有数百万样本、高维变量和异构数据类型的挑战性时间序列数据的缺失值填补提供了宝贵的解决方案。

    Aug, 2023

  • NuwaTS: 修复每一个不完整时间序列

    利用 NuwaTS 框架将预训练语言模型（PLM）重新用于普通时间序列插补任务，通过设定特定嵌入来捕捉不完整时间序列的信息，提出对比学习方法以增强模型对不同遗漏模式的适应性，训练得到一对多的插补模型，并证明其在各种数据集和遗漏模式上胜过现有的特定领域模型。

    May, 2024

  • TimeSeriesBench：时间序列异常检测模型的工业级基准

    TimeSeriesBench 是一个工业级基准测试平台，通过多个训练和测试范式、评估指标和数据集的结合共计 168 个评估设置，评估了现有算法的性能，并提供了异常检测算法的未来设计建议。

    Feb, 2024