- 基于基础的时间序列模型:合成与否?
该研究通过实验证明,在正常时间序列情况下,仅使用真实时间序列的数量有限的训练数据,相较于使用更多的合成数据进行训练,利用监督框架进行训练可以获得更好的结果。
- FreDF:频域预测学习
频率增强直接预测 (FreDF) 绕过标签自相关的复杂性,通过学习在频率域进行预测,实验证明 FreDF 明显优于包括 iTransformer 在内的现有领先方法,并与各种预测模型兼容。
- 具有注意力联邦聚合的时间序列股票预测的 Transformer
我们提出了一种关注的联邦变压器,用于时间序列股票预测,在保护参与企业的隐私的同时具备更好的性能。关于从雅虎金融网站获取的各种股票数据的实证结果显示了我们提出的方案在处理上述挑战和联邦学习中的数据异质性方面的优越性。
- 准确的随机微分方程建模的时间变化归一化流
本论文介绍了一种新变种的动态归一化流模型(TCNF),基于布朗运动的时间变形,能够有效地建模一些随机微分方程,包括标准的奥恩斯坦 - 乌伦贝克过程,并且提供更好的推断和预测能力。
- EMNLP从过去预测未来?论金融情绪分类中的时间数据分布变化
金融文本中存在时间数据分布的变化,如何在不稳定的市场环境中训练一个能够准确推断情感且对时间数据分布变化具有鲁棒性的金融情感分析系统?本文通过对跨越三年的真实金融社交媒体数据集进行经验研究,在时间数据分布变化的情况下分析金融情感分析系统的性能 - TEMPO:面向时间序列预测的基于提示的生成预训练变换器
TEMPO 是一个基于时间序列的新框架,通过利用时序任务的两个基本归纳偏好来有效学习时间序列表示,展现出超过 20% 至 60% 的改善性能,并在标准监督学习和之前未见数据集的情景中观察到。
- 信息时序中的消息传播:一种序列依赖保留的算法
该论文介绍了通过时间传播信息的算法(MPTT),它有效地结合了长期的时间依赖性,并相对于有状态的解决方案保持更快的训练时间。该算法利用两个内存模块异步管理 RNN 的初始隐藏状态,促进样本之间的无缝信息交流,并允许在整个周期中使用不同的小批 - ICML多元时间序列预测的特征编程
提出了可编程特征工程的概念,为时间序列建模提供一种以自旋气体动力伊辛模型为基础的特征程序框架,从而实现大规模自动化特征工程。
- 基于隐式神经表示的时间序列连续建模:插值与预测
该研究提出了一种使用隐式神经表示法的时间序列建模方法,能够有效捕捉时间序列的连续性,并提供对处理缺失数据、不规则采样或多个传感器的不对齐观测等常见问题的自然解决方案,并通过实验表明,在预测和填充任务中取得了最先进的性能,能够灵活处理各种具有 - ICLR利用简单的离散状态空间有效建模时间序列
提出了一种名为 SpaceTime 的新型状态空间时间序列体系结构,其通过一种新的 SSM 参数化基于伴随矩阵来提高表现力,并引入一个 “闭环” 变化的伴随 SSM,使其能够生成自己的逐层输入进行长期预测,同时通过算法实现前向传递的内存和计 - HGV4Risk:基于层次全局视角引导的序列表示学习用于风险预测
本文提出了一种新的基于分层全局视图引导的序列表示学习框架,其中将全局图嵌入模块与和谐 $eta$-attention 模块相结合,旨在进行有效的风险预测,实现了与其他基线方法相比具有竞争力的预测性能。
- MM时间序列中的 Transformers: 一项综述
本文系统地回顾了 Transformer 在时间序列建模中的运用,总结了其优点、局限性以及在网络结构、应用方面的适应性和修改,并对常见的时间序列任务进行了分类,包括预测、异常检测和分类。通过实证分析,研究了 Transformer 在时间序 - AAAITime2Graph: 动态形态元素重访时间序列建模
本研究提出基于两层时间因素的时序感知形状子序列提取方法,以及形状子序列演化图谱,并将其应用于图嵌入算法中以获得更加准确和解释性的时间序列建模。实验证明,该方法在公共数据集和真实数据集中都取得了较好的效果。
- ICMLGluonTS: Python 中的概率时间序列模型
介绍了一种名为 Gluon Time Series 的基于深度学习的时间序列建模库,可用于常见任务如预测或异常检测,简化了模型开发和实验,并提供了科学家快速建立新模型、高效运行和分析实验以及评估模型准确性所需的所有组件和工具。
- 时间序列分析的线性、机器学习和概率方法
本文研究时间序列建模的不同方法,描述使用线性模型、ARIMA 算法、XGBoost 机器学习算法的预测方法,并展示不同模型组合的结果,同时考虑使用 copulas 和贝叶斯推断的概率建模方法。
- 时间序列建模和预测入门研究
本文研究了时间序列建模和预测,分别介绍了随机、神经网络和 SVM 基于模型的预测。实验结果表明不同模型的预测表现,以及采用不同评价指标评价不同模型。