- 基于季节分解的电力中期负荷预测错误校正模型
本文提出了一种基于误差校正的电力负荷中期预测模型(ECLF),该模型通过时间序列分析、特征工程和堆叠集成等方法,将原始负荷数据分解为三个组件进行单独预测,并在极限梯度提升算法的第二步预测中利用预测结果作为新特征,实现了更加准确和稳定的预测效 - PyPOTS: 一个用于部分可观测时间序列数据挖掘的 Python 工具箱
PyPOTS 是一个针对多元部分观察时间序列(即具有缺失值的不规则时间序列)的开源 Python 库,提供数据挖掘和分析中的若干算法,包括插补、分类、聚类和预测,并且具有良好设计且全面文档化的编程接口,可供学术研究人员和工业专业人员使用。
- 多视角受限核机中的对偶性
本文提出一种统一的设置,将现有的有限制的核机器方法融合到一个单一的原始对偶多视角框架中,用于核主成分分析,无论是在监督还是无监督的情况下。作者从理论角度推导了框架的原始和对偶表示,并将不同的训练和推断算法互相关联。通过重新调整原始变量,作者 - 卷积生成对抗网络生成混沌时间序列的评估
使用卷积神经网络和生成式对抗网络,我们生成了混沌时间序列,并使用非线性时间序列分析方法计算得出,该生成模型可以较好地重现原始时间序列的混沌特性,但存在学习误差。
- SAMoSSA:带随机自回归噪声的多元奇异谱分析
使用多变量奇异谱分析(mSSA)和普通最小二乘法(OLS)算法,我们提出了一种名为 SAMoSSA 的新算法,可对时间序列数据进行分析,具有预测分析和模型识别功能。我们的算法可应对自回归噪音结构,提高数据处理的准确性达 5%至 37%。
- 生物医学信号处理的自回归模型
该论文提出了一种基于超参数化损失函数的自回归模型框架,用于处理神经科学等领域中存在的时间序列数据误差和模型不确定性问题,并验证该方法能够成功去噪、重构系统参数,为脑机接口数据分析以及癫痫等脑部疾病的研究提供了新的方法。
- 使用半监督学习进行时间序列插值:填补丢失数据的空缺
本文提出了一种半监督时间序列插值方法 ST-Impute,该方法基于稀疏自注意力模型并结合上下游任务的标签数据和无标签数据,在时间序列插值质量和下游任务结果上优于现有的监督和非监督方法。
- OneShotSTL: 在线时间序列异常检测和预测的一次性季节趋势分解
提出了一种名为 OneShotSTL 的算法,该算法可以在线分解时间序列,其时间复杂度为 O (1),比现有的批处理方法快 1000 倍以上,并且能够支持实时分析以及时间序列异常检测。
- 深度学习用于时间序列分类和外源回归的现状调查
本文评述了深度学习在时序数据分类和外在回归中的最新技术,讨论了应用深度学习于时间序列数据所面临的挑战和机会,并总结了人体活动识别和卫星观测等两个关键领域的应用。
- MM时间序列分析与预测的机器学习算法
本文介绍了时间序列分析和预测的重要性,详细调查了各种用于预测的方法,包括 ARIMA、Prophet 和 LSTMs 等统计和深度学习模型,完整阐述了预处理和验证的流程。
- 事件触发时间序列的任务感知相似度学习
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。
- 一种新的神经网络方法进行无记忆在线变点检测
本文提出了一种新颖的基于深度学习的方法,名为自适应 LSTM 自编码器变点检测(ALACPD),用于多维时间序列的无监督在线变点检测。经过对多个真实世界时间序列变点检测基准的广泛评估,结果表明,ALACPD 在时间序列分割质量方面排名第一, - 超低功耗时间序列边缘推理的 TCN 映射优化
该论文介绍了一种基于自动探索方法和优化卷积核库的时间卷积网络应用于低功率微控制器上的策略,通过对层瓷砖的优化来达到最小延迟和能量消耗,实现了比其他常见方法更高效的时间序列分析方法。
- 用于时间序列分析的开源软件工具综述
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。
- 时间关注:使用时间序列归因方法的全面基准测试
本文重点研究时间序列分析,对比了几种最先进的卷积分类器解释方法,发现扰动法是较优选项,但也强调选择最适合的归因方法与所需用例的选择密切相关。
- KDD滑动谱分解用于多样化推荐
本文提出了一种名为 "滑动谱分解"(SSD)的方法,使用时间序列分析技术从物品序列的角度研究社交媒体平台中推荐内容的多样性问题,并介绍了一种适用于长尾效应的物品嵌入方法用于准确的相似度度量。该方法已在 “小红书” App 的推荐系统中完全实 - MM包括动态时间规整的弹性距离的早期终止和修剪
本研究提出了一种新的通用策略,将剪枝和早期中止与最近邻搜索相结合,支持多种弹性距离测量方法,并使用新的 C ++ 库进行时间序列分类。
- 变点检测算法评估
本文介绍了一个用于评估现有的变点检测算法在现实世界数据上表现的数据集,并提出了应用于多个基础真实数据的基准研究,旨在成为新变点检测算法的试验场。
- IJCAI深度学习中的时间序列数据增强:一项调查
本文系统地回顾了多种用于时间序列数据的数据增强方法,并通过对它们的优点和局限性进行结构化的概述来比较它们的性能,包括在不同任务下的时间序列分类、异常检测和预测,并讨论并强调了五个未来的研究方向。
- IJCAIRobustTrend: 一个利用组合的一阶和二阶差分正则化的 Huber 损失函数进行时间序列趋势过滤的方法
本文提出一种基于鲁棒统计和稀疏学习的趋势过滤算法,采用 Huber 损失压制离群值并利用一阶和二阶差分组合作为正则化以捕捉缓慢和突变的趋势变化,通过主元最小化与多项式替代方向法设计出有效的方法来解决鲁棒趋势过滤,实验证明该算法优于其他九种最