- 基于矩阵剖析的时间序列变量滞后模式跟踪关系推理框架
通过使用矩阵剖面方法,我们正式定义了一种在两个时间序列之间推断关注模式的理念,并提出了一个框架来推测两个时间序列之间的关注模式。该框架在模拟数据集中表现优于基线,并能够在音频记录和加密货币数据集中检测出关注模式。我们的框架可应用于任何时间序 - 金融因果关系中的三大困扰:时间分辨率、非平稳性和潜在因素
这篇论文从因果关系的角度系统探讨了金融中的时间序列和非平稳性等问题,并提供了解决方案,为未来的研究奠定了基础。
- 时间序列的软对比学习
提出了一种针对时间序列的简单而有效的软对比学习策略 SoftCLT,通过引入实例级和时间级的对比损失,使用从零到一的软分配来改进学习表示的质量,实验证明 SoftCLT 在分类、半监督学习、迁移学习和异常检测等各种下游任务中提高了性能。
- 时间序列学习策略的课程和周期性损失
我们提出了一种新的 Curricular and CyclicaL loss(CRUCIAL)来学习时间序列,它能根据动态确定的样本贡献和调节损失幅度安排易难程度的学习顺序,同时能够管理循环变化的数据集并通过相关损失分布和选择概率实现 - C2FAR:精确概率预测的粗糙到精细自回归网络
我们提出了粗细自回归网络(C2FAR),一种对单变量数值随机变量的概率分布建模的方法。C2FAR 通过渐进细化的离散化来进行变量的层次化自回归生成,可以以指数级别的精度表示值,并且具有更高的灵活性,可以同时处理离散和连续的任意尺度和分布形状 - 基于物理信息卷积神经网络预测折叠分叉
本研究提出了一种基于物理信息的卷积神经网络(CNN),用于识别靠近折叠分叉的动力系统的时间序列。研究结果表明,通过特定的数据预处理,该 CNN 能够准确捕捉与接近折叠分叉相关的重要特征,为类似的 CNN 在实际应用中的开发铺平了道路。
- 基于形状空间表示的在线模糊方法进行犯罪相关时间序列的变点检测
提出了一种在线方法,用于利用具有意义的表示和模糊推理系统检测和查询犯罪相关时间序列中的变点,并在犯罪数据集和金融数据集上进行了实证评估和比较分析。结果表明该方法能够以极低的计算成本准确检测变点,并且使任何领域的时间序列中特定变点的检测更加直 - TSRNet: 实时心电图异常检测的简洁框架,多模态时间与频谱恢复网络
通过利用正常心电图数据进行训练,从而利用异常检测来识别不健康的条件;提出了一种名为 TSRNet 的专用网络,该网络能够通过从时间序列和时频领域提取的特征有效地捕捉心电图信号的综合特征,并通过引入基于峰值错误的推理方法来增强心电图异常检测的 - 利用共演变时间序列预测家庭设备运行中的罕见事件
我们提出了一种利用共同发展时序预测罕见事件的方法,通过加权自回归模型来利用数据的时间行为以提高预测能力,并通过解决不平衡数据集问题来建立约束条件从而改进性能。通过对合成和真实数据集的评估,证实我们的方法优于当前预测家庭设备故障方法的最新技术 - 时间序列扩散方法:用于振动信号生成的降噪扩散概率模型
通过改进 U-net 架构并结合扩散模型的基本原理,本研究提出了一种时间序列扩散方法 (TSDM),通过前向扩散和逆向去噪过程对时间序列进行生成,并在振动信号生成、特征提取和小样本故障诊断等方面进行了实验证明。结果显示,TSDM 能够准确生 - KDDTPRNN:一种自顶向下的金字塔循环神经网络用于时间序列预测
该论文提出了一种用于时间序列预测的自上而下的金字塔式递归神经网络 TPRNN,通过构建不同尺度的子序列并执行多尺度信息交互模块,模拟了时间序列中多尺度时间模式的完整建模,实验证明 TPRNN 在七个真实世界数据集上取得了领先水平,相对最佳基 - SimPSI:简洁策略用于保留时序数据增强中的频谱信息
时间序列数据增强方法中,保留频域信息对提高性能至关重要,本研究提出了一种简单的策略(SimPSI)来保留时间序列数据的频域信息,通过混合原始和增强的输入谱并加权,核心是使用保留映射(magnitude spectrum、saliency m - D3A-TS: 时间序列中的去噪驱动数据增强
研究了在时间序列的分类和回归问题中,使用不同的技术进行数据增强的方法,特别关注了使用扩散概率模型和元属性来生成合成数据的可行性,结果表明该方法在训练分类和回归模型时具有很高的实用性。
- 时间序列分类中借鉴图像突出方法的 XAI
本文提出了一种基于深度神经网络的师生架构(蒸馏模型),用于在时间序列分类任务中提供可解释性。该方法通过将时间序列转换为 2D 图形,并应用图像高亮方法(如 LIME 和 GradCam),使预测结果可解释。同时,该方法在与基准模型竞争时提供 - 学习多频部分相关图
学习时间序列之间的依赖关系中,现有方法仍存在一个主要局限:学习到的部分相关性无法区分不同频段。我们通过学习一个稀疏、频率相关的部分相关性图来克服这个局限,其中各层对应不同的频段,且部分相关性只发生在几个层上。通过两个非凸学习问题的解决,得到 - 拓扑结合机器学习的辅音识别
利用高维环境空间的 TopCap 方法,通过时间序列的拓扑特征来进行机器学习和信号处理,以提高模型的可解释性和性能,尤其在语音和音频信号的深度学习中效果显著。
- 一种基于混合 SOM 和 K-means 模型的时间序列能耗聚类
介绍了一种将自组织映射和 K 均值聚类相结合的新方法来有效聚类月度能源消耗模式,通过该方法可以增强难以找到模式的数据集的聚类结果的准确性和可解释性。实验证明了该方法在聚类任务中的有效性。
- 基于循环神经网络的变点检测的选择性推断
通过使用循环神经网络(RNN)来量化时间序列中检测到的变点(CP)的统计可靠性,本研究旨在通过为 RNN 检测到的 CP 提供理论上有效的 p 值来严格控制错误检测的风险,通过引入基于选择推理(SI)框架的新方法实现这一目标。
- Windformer: 风速预测的双向长距离时空网络
该研究提出了一种名为 Windformer 的方法,通过将风力涡轮群体分为多个非重叠的窗口并计算窗口内的相关性,然后部分移动窗口以提供窗口之间的连接性,并最终基于详细和全局信息融合多通道特征,以动态建模风速变化过程。这种方法在提高预测准确性 - TimeSQL: 多尺度修补和平滑二次损失提升多变量时间序列预测
这项研究提出了名为 TimeSQL 的简单而有效的框架,它利用多尺度拼接和平滑二次损失来解决时间序列的预测问题,其模块能够提供新的最先进性能,并增强其他多元时间序列预测模型的结果。