multivariate time-series | BriefGPT

关键词multivariate time-series

搜索结果 - 17

医学预测监测中的动态特征选择：强化学习
研究采用强化学习优化时间序列场景下的动态特征选择方法，提高临床预测监测中的数据挖掘效果。
PDFa month ago
SEA++：基于多图的高阶传感器校准在多变量时间序列无监督领域自适应中的应用
SEA and SEA++ are proposed for Multivariate Time-Series Unsupervised Domain Adaptation (MTS-UDA), aiming to reduce domai
PDF7 months ago
KDD刚性的伤害：概率层次时间序列预测的软一致性正则化
PROFHiT 是一种完全概率性的分层预测模型，通过灵活的概率贝叶斯方法和引入新颖的分布一致性正则化，能够从分层关系中学习整个预测分布，从而实现鲁棒和校准的预测，并适应具有不同分层一致性的数据集。评估结果显示，PROFHiT 在准确性方面表
PDF8 months ago
多元时间序列数据的全连接时空图
提出了一种名为全连接时空图神经网络（FC-STGNN）的新方法，通过将传感器之间的相关性考虑为不同时间戳下的相关性，来全面建模多元时间序列数据中的时空依赖关系，并有效地捕捉和学习有效的表示，实验证明其在多个多元时间序列数据集上相对于其他方法
PDF10 months ago
基于空时图学习的多元时间序列异常检测中的相关性感知
本研究提出了一种新方法：基于关系感知的时空图学习方法，用于解决多元时间序列异常检测问题，该方法采用了关系感知模块来捕捉变量之间的成对关系，并用空间 - 时间图神经网络来捕获复杂的变量间关系，进一步采用图卷积网络和扩张卷积函数来检测异常值。
PDFa year ago
TS-MoCo: 基于 Momentum Contrast 的时序动量对自监督生理学表示学习
本文提出了一种新的编码框架，它依赖于自监督学习来学习各种生理领域的多元时间序列的表示，从而解决有限可用性的标记生理数据通常防止在生物医学机器智能领域使用强大的监督深度学习模型的问题，并得出新方法可以学会区分特征被用于下游分类任务。
PDFa year ago
基于卷积方法的振动信号故障检测集成
本研究探讨了如何使用基于卷积核的方法，包括 ROCKET 和一维卷积神经网络，在多变量时间序列分类中实现故障检测。使用三个不同的基于卷积核的分类器，该方法在测试数据中表现出超过 98.8％的准确性，优于其他曾有的方法。
PDFa year ago
HigeNet: AIOps 中长序列时间序列预测的高效建模
研究提出了一种高效的模型 HigeNet，用于预测长时间序列时间序列，能够有效地监控大量机器数据，具有低计算复杂度，能够与现有数据规模高度匹配，并通过实验展示其比其他五个最先进的模型更具高效性。
PDF2 years ago
MTSMAE: 基于掩码的自编码器用于多元时间序列预测
该论文提出了一种新的基于 Masked Autoencoders (MAE) 的自监督预训练方法称为 MTSMAE，利用补丁嵌入的方法处理多元时间序列，实验证明，该方法的性能显著优于目前最好的方法。
PDF2 years ago
PROFHIT：层次时间序列的概率鲁棒预测
PROFHIT 提出了一种全概率层次预测模型，它通过引入 Distributional Coherency 正则化来从层次关系中学习完整预测分布，从而实现鲁棒和校准的预测，能够适应变化的层次一致性，并在广泛的数据集上获得了比其他方法高达 4
PDF2 years ago
SIGIRGraphAD: 基于图神经网络的实体级多变量时间序列异常检测
本文提出了一种名为 GraphAD 的基于图神经网络的多元时间序列异常检测模型，该模型适用于考虑每个实体的时间序列数据，并在 Ele.me 的真实数据集上得到了优异的表现。
PDF2 years ago
多分辨率集合和预测编码的循环自编码器用于多元时间序列异常检测
本研究提出了一种名为 RAE-MEPC 的无监督多变量时间序列异常检测模型，利用多分辨率集成和预测编码学习具有非线性时间动力学的正常行为的信息丰富的表示，实验结果表明该模型在多变量时间序列异常检测方面胜过基准模型。
PDF2 years ago
基于图注意力网络的多变量时间序列异常检测
本文提出了一个新的自监督多元时间序列异常检测框架，使用图注意力层显式地捕获时间序列之间的关系，并结合预测和重构的方法来获得更好的时间序列表示，实验结果表明该方法在真实数据集上表现优异且具有良好的可解释性。
PDF4 years ago
FC-GAGA：用于时空交通预测的完全连接门控图形架构
本文提出了一种新的学习架构，该架构通过可学习的全连接硬图门控机制，实现了与最佳算法相竞争或更好的性能，进而在交通预测应用中实现了高效的时间序列预测。实验结果展示了该方法的价值，剖析研究证实了架构的每个元素的重要性。
PDF4 years ago
何时出错？基于实例特征重要性的时间序列模型解释
我们提出了 FIT 框架来评估多元时间序列黑匣子模型中观察值的重要性，并且与现有的基线方法比较，在模拟和真实世界的临床数据上证明我们的方法在确定时间序列中的重要时间点和观察值方面更具优越性。
PDF4 years ago
R2N2：残差循环神经网络用于多元时间序列预测
提出了一种名为 R2N2（残余 RNN）的混合模型，通过简单的线性模型（如 VAR）对时间序列进行建模，并使用 RNN 对其残余误差进行建模，在航空领域和气候领域中的实证评估表明，与单独使用 VAR 或 RNN 相比，R2N2 具有竞争力且
PDF7 years ago
分组融合图形 lasso 的块状常数高斯图模型的正则化估计
本文提出了一种基于稀疏差异先验的正则化 M - 估计方法，通过估计图和变化点结构相结合，探讨了多变量时序的时间变化精度矩阵的动态条件依赖结构，以及其应对于稀疏依赖结构或平滑演化图结构的需求。此外，方法的扩张能使得在多个系统的依赖关系中进行变
PDF9 years ago