- LLMs 游戏：利用大型语言模型发现活动中的结构构建
智能家居中的人体活动识别是一个时间序列分析问题，我们提出了利用大型语言模型识别这些活动的结构构建块，并开发了一种活动识别流程，以此帮助智能家居中的活动监测任务。
- UniCL：大型时间序列模型的通用对比学习框架
UniCL 引入了一种通用的和可扩展的对比学习框架，用于预训练时间序列基础模型，跨领域数据集验证了 UniCL 在各个领域的高泛化性能。
- MOMENT：一种开放的时间序列基础模型家族
我们介绍 MOMENT，这是一款用于一般时间序列分析的开源基础模型系列。我们在时间序列数据上进行大型模型的预训练面临挑战：(1) 缺少一个大规模的连贯的公共时间序列数据库，(2) 多样化的时间序列特征使得多数据集训练变得困难，以及 (3) - 面向不确定环境的通用网络流量预测自适应框架
利用时间序列分析为动态分配移动网络流量预测模型的新框架，通过选择性地使用学习行为相对于当前研究具有超过 50％的性能改进，并在无需对单个细胞具有先验知识的情况下超过传统方法；该框架通过无监督聚类识别独特趋势和季节模式，然后在每个聚类中应用监 - 用于跨领域时间序列分析任务的大型预训练时间序列模型
将多个不同动态和领域的时间序列分割为片段作为输入，我们提出了一种新颖的模型 LPTM 来进行预训练，自动识别最佳的数据集特定分段策略，并在多个不同领域的时间序列分析任务中实现达到甚至超过领域特定最先进模型的性能，并且数据和计算效率明显提高， - OBSUM：面向时空遥感影像融合的基于对象的空间解混模型
本研究提出了一种基于对象的空间混合模型（OBSUM），它结合了基于对象的图像分析和空间混合，以解决当前空间时间融合方法存在的问题。OBSUM 在准确检测时间变化和地物层级信息方面表现优于其他方法，对各种遥感应用具有巨大潜力。
- 比较研究论文中用于预测非洲 COVID-19 病例的时间序列分析方法：文献综述
该文献综述通过比较不同的时间序列分析方法，旨在预测非洲地区的 COVID-19 病例。该研究通过系统搜索 2020 年 1 月至 2023 年 7 月之间发表的英文研究论文，重点关注利用时间序列分析方法研究非洲地区 COVID-19 数据集 - 一种新颖的跨站点多模态深度学习模型，用于识别社交媒体上的促进进食障碍内容
本文旨在创建一个多模式深度学习模型，通过视觉和文本数据的结合来决定给定社交媒体帖子是否推广进食障碍，并进行时间序列分析以探讨进食障碍的社交媒体存在。多模式 RoBERTa 和 MaxViT 融合模型的准确度和 F1 分数分别达到 95.9％ - 意大利新冠疫情第一波中社交媒体公共话语的时空变化探究
本文提出了一种方法，利用社交媒体上的语言行为探索重要事件（如 SARS CoV2 大流行）对社会的影响，特别是对空间和时间方面的重要特征进行分类和定量分析，并通过时间序列分析和聚类来确定空间 - 时间类别。利用定性比较分析，方法已在意大利首 - 能源时间序列分析与预测的深度学习
本文旨在介绍各种深度学习方法以提高能源时间序列预测性能，特别强调希腊能源市场的应用。
- 自回归低秩张量模型切换
本论文提出了一种名为 SALT 模型的概率模型，用于对具有时间变化动态的系统进行的时间序列分析，并在各种模拟和真实预测任务上表现出优越性。
- 重症监护病房非计划性再入院预测：一种多模态评估
通过使用最先进的机器学习方法和自然语言处理，我们检验了每种数据类型的有效性和它们组合起来的影响，以预测 ICU 患者的再次入院情况，并且在这个数据集上建立了未计划再次入院的分类等级，最终发现医生写的出院记录比其他数据类型更能够预测再次入院的 - 风力涡轮机齿轮箱失效预测的数字孪生框架：一个概念
本文提出了一个数字孪生的概念，用于通过获取来自风电场操作员的 SCADA 数据中的实时信息，实现针对时间到故障的预测。
- 残差网络作为速度场的流动，用于同构时间序列对齐
本文提出了一种基于深度残差神经网络和差分同胚变形的时间序列模型，通过建立平滑、流畅和规则的速度场，生成流动和可逆变换，用于对时间序列进行单对齐和多对对齐分类。
- 动态网络模型的预测
本文提出了一种概率预测方法，通过信念网模型和经典时间序列分析的结合来构建、完善和进行推断，并扩展了静态信念网络模型以建立更普遍的动态预测模型，通过集成和反复优化同时和时滞的依赖关系，我们讨论了用于预测日本汽车销售的模型中的关键概念。