Detecting structural breaks in eigensystems of functional time series
检测功能数据中的结构变化是统计文献中的一个突出主题。然而，并不是所有的数据趋势在应用中都很重要，只有那些影响力足够大的趋势才重要。在本文中，我们解决的问题，确定相关的$L^2[0,1]$值时间序列的协方差核的特征函数和特征值的变化。通过自归一化技术，我们得到关键的，渐近相合检验的相关变化，这些特征的二阶结构，并调查其有限样本性质的模拟研究。我们的方法的适用性证明了分析德国的年度温度数据。
2019-11-18 math.ST stat.TH
Simultaneous predictive bands for functional time series using minimum entropy sets
针对平稳函数时间序列的同时预测置信带构建问题，提出基于最小熵集、结合函数自助法与RKHS的构建方法，经人工和真实数据集验证了方法有效性。
2023-05-04 math.FA stat.ME
Spherical Autoregressive Models, With Application to Distributional and Compositional Time Series
我们引入一类新的自回归模型的球形时间序列，其中的维度的球体上的观测的时间序列位于可以是有限维或无限维的情况下，一般的希尔伯特球。球面时间序列出现在各种不同的环境中。我们在这里集中在分布和组成的时间序列。对分布时间序列的观测值的密度应用平方根变换，将分布观测值映射到配备有Fisher-Rao度量的希尔伯特球。同样地，将平方根变换应用于合成时间序列的观测值的分量，将合成观测值映射到有限维球体，配备球体上的测地线度量。建模这种时间序列的挑战在于球体和希尔伯特球体的固有非线性，其中传统的算术运算，如加法或标量乘法不再可用。为了解决这一困难，我们考虑旋转算子映射观察球。具体来说，我们引入一类反对称算子，使得相关的指数算子是旋转算子，对于球面上的每一对给定的点，将其中一个点映射到另一个点。我们利用这一事实，即空间的反对称运营商是希尔伯特开发自回归建模的几何差异，对应于旋转的球形和分布时间序列。我们的方法的激励数据包括1990-2018年洛杉矶（LAX）和John F.肯尼迪（JFK）国际机场
2022-03-24 stat.ME
A new framework for extracting coarse-grained models from time series with multiscale structure
在许多应用中，期望从观测数据推断粗粒度模型。观察到的过程往往只对应于一个高维动力系统的几个选定的自由度与多个时间尺度。在这项工作中，我们考虑的推理问题，确定一个适当的粗粒度模型从一个单一的时间序列的多尺度系统。已知的是，在这种设置中，诸如最大似然估计量或路径估计量的二次变分的估计量可以是强偏置的。在这里，我们提出了一种新的参数推理方法的线性参数依赖性的问题，不遭受这个缺点。此外，我们证明，通过广泛的例子，我们的方法可以用来从时间序列的部分观测的多尺度系统的有效和系统的方式来获得适当的粗粒度模型。
2015-05-05 math.ST stat.TH
Identifying Cointegration by Eigenanalysis
提出了一种新的、易于使用的非平稳时间序列协整成分识别方法，该方法由对某个非负定矩阵的特征分析组成。我们的设置是无模型的，并且我们允许可观测序列的整数值积分阶数是未知的，并且可能不同。当观测时间序列的维数随着样本量的增加而固定时，以及当它缓慢发散时，协整空间和协整秩的估计都是一致的。所提出的方法也扩展和合理的分数设置。有限样本性能的蒙特卡罗研究，和一个小的经验说明，报告。
2018-03-11 stat.ME
An Unsupervised Multivariate Time Series Kernel Approach for Identifying Patients with Surgical Site Infection from Blood Samples
UiT The Arctic University of Norway（挪威北极大学）；Universidad Rey Juan Carlos（胡安·卡洛斯国王大学）；University Hospital of North Norway (UNN)（挪威北部大学医院）
电子健康记录的很大一部分由随时间收集的临床测量结果组成，例如血液测试，其提供关于患者健康状况的重要信息。这些临床测量序列自然地表示为时间序列，其特征在于多个变量和缺失数据的存在，这使分析复杂化。在这项工作中，我们提出了一个手术部位感染检测框架，用于接受结肠直肠癌手术的患者，该框架完全不受监督，从而缓解了获取标记训练数据的问题。该框架基于多变量时间序列的强大内核，该内核在计算相似性时考虑了缺失数据。我们的方法表现出优越的性能相比，基线，必须诉诸插补技术，并执行监督分类基线。
2018-03-21 cs.LG stat.ML
Rank-based estimation for all-pass time series models
其中自回归多项式的所有根是移动平均多项式的根的倒数并且反之亦然的自回归-滑动平均模型被称为全通时间序列模型。全通模型对于识别和建模非因果和不可逆的自回归移动平均过程很有用。建立了全通模型参数秩估计的渐近正态性和相合性。通过最小化Jaeckel [Ann. Math. Statist. 43（1972）1449- 1458]。这些估计量可以具有与最大似然估计量相同的渐近效率，并且是稳健的。通过模拟研究了有限样本下估计量的行为，并将秩估计用于模拟水枪地震记录的反褶积。
2007-08-14 math.ST stat.TH
Common Trends and Long-Run Identification in Nonlinear Structural VARs
针对非线性SVAR难以纳入共同随机趋势和长期识别约束的问题，本文提出加法时间可分的非线性SVAR类别，并扩展Granger–Johansen表示定理。
2024-09-10 econ.EM math.ST stat.TH
Identifying Elasticities in Autocorrelated Time Series Using Causal Mechanism Graphs
Hertie School（赫蒂学院）；ETH Zurich（苏黎世联邦理工学院）；University of Cologne（科隆大学）
本文提出利用因果时间图简化工具变量识别并选择一致估计量，通过未观测混淆因子建模均衡条件推导DAG，应用于德国电力市场估计需求价格弹性，强调了考虑结构自相关的重要性。
2026-10-20 econ.EM stat.ME stat.ML
Analyzing Multiple Nonlinear Time Series with Extended Granger Causality
在多变量时间序列分析中，识别同时采集的信号之间的因果关系是一个重要问题。对于线性随机系统，Granger提出了一个简单的过程，称为Granger因果关系来检测这种关系。在这项工作中，我们考虑非线性扩展格兰杰的想法，并指的结果作为扩展格兰杰因果关系。提出了一种简单的实现扩展格兰杰因果关系的方法，并将其应用于多个混沌时间序列和其他类型的非线性信号。此外，对于具有三个或更多时间序列的情况，我们提出了一个有条件的扩展格兰杰因果关系测度，使我们能够确定两个信号之间的因果关系是直接的还是由另一个过程介导的。
2004-05-08 math.ST nlin.CD physics.data-an
Dynamic detection of anomalous regions within distributed acoustic sensing data streams using locally stationary wavelet time series
分布式声学感测技术越来越多地用于支持石油和天然气部门内的生产和井管理，例如用于改进流量监测和生产剖面。这种传感技术能够记录油井内多个深度的大量数据，从而对生产行为提供前所未有的见解。然而，该技术也倾向于记录异常行为的周期，其中在多个深度同时观察到相同的物理特征。这些特征被称为“条纹”，是不希望的，会对油井动态建模产生负面影响。本文重点介绍了重要的挑战，制定一个原则性的方法来确定这种异常周期内分布的声学信号。我们扩展最近的工作分类本地平稳小波时间序列的在线设置，并在这样做，引入一个计算效率高的在线程序能够准确地识别异常区域内的多元时间序列。
2018-09-25 stat.AP
Ultralow-dimensionality reduction for identifying critical transitions by spatial-temporal PCA
School of Mathematics, South China University of Technology（华南理工大学数学学院）；Shanghai Institute of Biochemistry and Cell Biology, Chinese Academy of Sciences（中国科学院分子细胞科学卓越创新中心）
本文提出时空主成分分析（stPCA），通过单一潜在变量无失真表示高维时间序列动力学，并解析求解其时间属性，从而在临界转变前准确识别临界点，在ICU数据上验证了其早期预警能力。
2025-01-22 cs.LG stat.ML
Sparse Asymptotic PCA: Identifying Sparse Latent Factors Across Time Horizon in High-Dimensional Time Series
本文提出稀疏渐近主成分分析框架，在因子过程稀疏而非载荷稀疏的设定下，用截断幂法与顺序收缩估计高维时间序列的稀疏潜在因子，并应用于标普500数据识别九个风险因子。
2025-08-07 econ.EM q-fin.ST stat.ME
TimeCaps: Capturing Time Series Data With Capsule Networks
University of Sydney（悉尼大学）；Boston University（波士顿大学）；University of Moratuwa（莫拉图瓦大学）
胶囊网络擅长理解视觉相关任务的2D数据中的空间关系。尽管它们不是为了捕捉1D时间关系而设计的，但通过TimeCaps，我们证明了胶囊网络在理解时间关系方面的能力。为此，我们沿着时间和通道维度生成胶囊，创建两个时间特征检测器，学习对比关系。TimeCaps在识别13种心电图（ECG）信号搏动类别时达到96.21%的准确率，同时在识别30种短音频命令时达到同等水平。此外，胶囊网络固有的实例化参数允许我们完全参数化1D信号，这为信号处理提供了各种可能性。
2022-06-18 cs.AI cs.LG stat.ML
Frequency Band Analysis of Nonstationary Multivariate Time Series
来自生物医学时间序列中的频带的信息提供了所观察到的信号的有用摘要。许多现有的方法考虑在几个众所周知的预定义的感兴趣的频带上获得的时间序列的概要。然而，这些方法没有提供用于识别频带的数据驱动的方法，其最佳地概括了时间序列中的频域信息。提出了一种识别多变量局部平稳时间序列频率空间中分割点的新方法。这些分割点表示信号时变行为中的频率变化，并提供最好地保留所观察到的序列的非平稳动态的频带汇总测量。构造了一个基于$L_2$范数的差异测度，发现时变谱密度矩阵的差异，并推导了其渐近性质。还提供了新的非参数自举检验，以确定显着的频率划分点，并确定组件和跨组件的频谱矩阵表现出频率的变化。通过仿真说明了所提出的方法的单样本性能。所提出的方法是用来开发最佳频带总结措施，用于表征时变行为的休息状态脑电图（EEG）时间序列，以及识别组件和交叉组件与每个频率分区点。
2023-01-09 stat.ME
A Karhunen-Loève Theorem for Random Flows in Hilbert spaces
我们开发了一个推广的Mercer定理的算子值的内核在无限维希尔伯特空间。然后，我们应用我们的结果推导出一个Karhunen-Loève定理，有效的均方连续希尔伯特函数数据，即流在希尔伯特空间。也就是说，我们证明了一系列的展开与不相关系数平方可积随机流在希尔伯特空间，保持一致的时间。
2023-03-02 math.PR math.ST stat.TH
Nonparametric Bayesian grouping methods for spatial time-series data
我们描述了一种方法，用于识别组的动态相似的位置在空间时间序列数据的基础上一个简单的马尔可夫转移模型。我们给出了最大似然，经验贝叶斯，完全贝叶斯公式的模型，并描述了详尽的，贪婪的，基于MCMC的推理方法。该方法已成功地应用于几项研究，揭示了环境模式和疾病动态之间有意义的关系。
2013-06-21 q-bio.QM stat.ME
Identifying Cover Songs Using Information-Theoretic Measures of Similarity
Queen Mary University of London（伦敦玛丽女王大学）；Tampere University of Technology（坦佩雷理工大学）
本文研究了量化音频信号之间的相似性的方法，特别是针对翻唱歌曲检测的任务。我们考虑一个信息理论的方法，我们计算时间序列之间的可预测性的成对措施。我们比较离散值的方法量化的音频功能，连续值的方法。在离散的情况下，我们提出了一种方法来计算归一化的压缩距离，我们占时间序列之间的相关性。在连续的情况下，我们建议计算基于信息的相似性度量作为时间序列之间的预测误差的统计。我们评估我们的方法上的两个封面歌曲识别任务使用的数据集组成的300个爵士乐标准，并使用百万歌曲数据集。对于这两个数据集，我们观察到连续值方法优于离散值方法。我们考虑基于字符串压缩和预测来估计归一化压缩距离（NCD）的方法，其中我们观察到，对于顺序压缩算法，我们提出的归一化压缩距离与对齐（NCDA）提高了NCD的平均性能。最后，我们证明了连续值的距离可以结合起来，以提高性能的基线方法。使用大规模的过滤和细化的方法，我们展示了国家的最先进的性能，使用百万歌曲数据集的封面歌曲识别。
2015-05-17 cs.IR cs.LG stat.ML
Learning latent causal relationships in multiple time series
City College of New York（纽约城市学院）
识别具有多个动态元素的系统的因果结构对几个科学学科至关重要。传统的方法是进行因果关系的统计测试，例如Granger因果关系，在先验选择的观测信号之间。这里假设，在许多系统中，因果关系嵌入在一个潜在的空间中，该空间在观察到的数据中表示为线性混合。提出了一种用于盲识别潜在源的技术：将观测投影到成对的分量中-驱动和被驱动-以最大化成对分量之间的因果关系强度。这导致了一个优化问题的目标函数和梯度的封闭形式的表达式，可以解决与现成的技术。在对具有已知潜在结构的合成数据进行概念验证后，该技术被应用于人类大脑和历史加密货币价格的记录。在这两种情况下，该方法恢复了多个强因果关系，这些关系在观察到的数据中并不明显。所提出的技术是无监督的，可以很容易地应用于任何多个时间序列揭示数据背后的因果关系。
2022-03-21 cs.LG stat.ME stat.ML
CITS: Nonparametric Statistical Causal Modeling for High-Resolution Neural Time Series
University of California, San Francisco（旧金山加利福尼亚大学）；UCSF Weill Institute for Neurosciences（旧金山加利福尼亚大学威尔神经科学研究所）；Center for Research on Science and Consciousness（科学与意识研究中心）；National University of Singapore（新加坡国立大学）；Department of Bioengineering and Therapeutic Sciences, University of California, San Francisco（旧金山加利福尼亚大学生物工程与治疗科学系）
CITS是一种非参数方法，用于从高分辨率神经时间序列中推断统计因果结构，通过结构因果模型和滞后条件独立性检验，实现了对神经元因果路径和区域层次结构的准确识别。
2026-03-08 q-bio.NC q-bio.QM stat.AP
Is the annual growth rate in balance of trade time series for Ireland nonlinear
我们描述了时间序列多变量自适应回归样条（TSMARS）方法。该方法对识别时间序列中的非线性结构是有用的。我们使用TSMARS来模拟1970年至2007年爱尔兰贸易平衡的年度变化。我们比较了TSMARS估计与长记忆ARFIMA估计和长期简约线性模型。我们发现，贸易差额的变化是非线性的，具有弱的长期影响。此外，我们还比较了1993年引入内部统计系统之前的时期和1993年以后的时期。在这里，我们表明，在早期的系列有一个实质性的线性信号嵌入其中，这表明在早期的估计工作可能导致了一个过度平滑的系列。
2017-05-30 stat.AP
Identifying nonlinear dynamical systems via generative recurrent neural networks with applications to fMRI
Faculty of Physics and Astronomy, Heidelberg University（海德堡大学物理与天文学学院）；Institute of Neuroinformatics, University of Zurich and ETH Zurich（苏黎世大学与苏黎世联邦理工学院神经信息学研究所）
理论神经科学的一个主要原则是，认知和行为过程最终是根据神经系统动力学来实现的。因此，神经生理学测量分析的主要目的应该在于识别任务处理的计算动力学基础。在这里，我们提出了一种基于生成分段线性循环神经网络（PLRNN）的状态空间模型（SSM），以评估神经成像数据的动态。与许多其他的非线性时间序列模型，已被提出用于重建潜在的动态，我们的模型是很容易解释的神经方面，服从系统动力系统分析所得到的方程组，并可以直接转化为一个等效的连续时间动力系统。本文的主要贡献是引入了一种新的观察模型，适用于功能磁共振成像（fMRI）耦合到潜在PLRNN，这是一种有效的逐步训练过程，迫使潜在模型捕获“真实”的潜在动力学，而不仅仅是拟合（或预测）观察结果，以及基于Kullback-Leibler发散的经验测量，以从经验时间序列评估近似基本动态的目标实现得有多好。我们验证和说明我们的方法模拟的“地面实况”动态（基准）系统，以及实际的实验功能磁共振成像时间序列的权力，并证明潜在的动态窝藏任务相关的非线性结构，一个线性动力学模型无法捕捉。鉴于功能磁共振成像是最常见的技术之一，用于测量大脑活动的非侵入性在人类受试者，这种方法可能会提供一个新的一步，分析异常（非线性）的动态临床评估或神经科学研究。
2019-05-09 cs.LG q-bio.NC stat.ML
Deep Pattern of Time Series and Its Applications in Estimation, Forecasting, Fault Diagnosis and Target Tracking
时间序列中包含的信息比值本身更多。本文提出了一种基于卡尔曼滤波的时变局部自相关多项式模型来描述时间序列的动态特性（或信号），并挖掘其深层模式，除了估计瞬时均值函数（也称为趋势函数），包括：（1）识别和预测时间序列的峰值和谷值;（2）报告和预测当前的变化模式（趋势的增加或减少模式，以及它的变化速度）。我们将证明，正是这种深层模式使我们能够对时间序列进行更高精度的估计和预测，轻松检测传感器的异常（故障），并跟踪高度机动的目标。
2019-12-19 cs.IT math.IT stat.AP
An information criterion for detecting periodicities in functional time series
Waseda University（早稻田大学）；Centre de Recherche en Économie et Statistique（经济与统计研究中心）；École Nationale de la Statistique et de l’Analyse de l’Information（国立统计与信息分析学院）
本文提出一种信息准则用于确定功能时间序列中未知周期成分数量，通过迭代过程和残差过程评估，经数值模拟和实际数据验证其有效性。
2026-06-07 stat.ME
Déjà vu: A data-centric forecasting approach through time series cross-similarity
准确的预测对于支持现代企业的决策至关重要。预报员通常为每个时间序列选择最合适的统计模型。然而，统计模型通常假定一些数据生成过程，同时对误差进行强假设。在本文中，我们提出了一种新的以数据为中心的方法-“相似性预测”，它以一种无模型的方式处理模型的不确定性。现有的基于相似性的方法集中于识别系列内的相似模式，即，“自我相似”。相比之下，我们建议从参考集合中搜索相似的模式，即，“交叉相似性”。而不是外推，未来路径的类似系列聚合，以获得预测的目标系列。建立在交叉学习的概念，我们的方法允许应用基于相似性的预测序列长度有限。我们评估的方法使用丰富的收集真实的数据，并表明它产生竞争力的准确性点预测和预测区间。
2020-09-04 stat.AP stat.ME
Noise reduction for functional time series
本文基于函数型主成分分析框架提出一种函数型时间序列降噪方法，通过沿噪声子空间投影分离信号与噪声，实现最小均方积分误差下的最优去噪，并验证其可提升预测性能。
2023-07-05 q-fin.ST stat.ME
Detecting causal associations in large nonlinear time series datasets
从观测的时间序列数据中识别因果关系是气候科学或神经科学等学科的一个关键问题，在这些学科中，实验往往是不可能的。数据驱动的因果推断是具有挑战性的，因为数据集通常是高维的和非线性的，具有有限的样本量。在这里，我们介绍了一种新的方法，灵活地结合线性或非线性条件独立性测试的因果发现算法，允许重建因果网络从大规模的时间序列数据集。我们验证了一个完善的气候遥相关连接热带太平洋与热带以外的温度，并使用大规模的模拟真实数据的典型属性的合成数据集的方法。实验表明，我们的方法优于其他技术的检测能力，从小到大规模的数据集，并开辟了全新的可能性，发现因果网络从时间序列在一系列的研究领域。
2018-06-28 physics.ao-ph stat.AP stat.ME
Bayesian Model Search for Nonstationary Periodic Time Series
我们提出了一种新的贝叶斯方法来分析非平稳时间序列，表现出振荡行为。我们近似的时间序列使用一个分段振荡模型与未知的周期，我们的目标是估计的变化点，同时确定潜在的变化周期的数据。我们提出的方法是基于一个跨维的马尔可夫链蒙特卡罗（MCMC）算法，同时更新的变化点和周期性相关的任何部分之间。我们表明，所提出的方法成功地确定了两个应用程序中的时间变化的振荡行为，这是相关的电子健康和睡眠研究，即发生ultradian振荡的人的皮肤温度在夜间休息的时间，和检测的情况下，睡眠呼吸暂停体积描记呼吸道。
2019-05-28 stat.ME
What went wrong and when? Instance-wise Feature Importance for Time-series Models
University of Toronto（多伦多大学）；Vector Institute（向量研究所）；Harvard University (SEAS)（哈佛大学工程与应用科学学院）；Lunenfeld Tanenbaum Research Institute（卢嫩菲尔德-塔南鲍姆研究所）；The Hospital for Sick Children（病童医院）
时间序列模型的简化对于像医疗保健这样的高风险应用是有用的，但是在机器学习文献中很少受到关注。我们提出了FIT，一个框架，通过量化预测分布随时间的变化来评估多变量时间序列黑箱模型观测的重要性。FIT根据其对KL发散下分布变化的贡献来定义观察的重要性，KL发散将预测分布与其余特征未观察到的反事实进行对比。我们还证明了需要控制随时间变化的分布偏移。我们将模拟和真实世界临床数据与最先进的基线进行比较，并证明我们的方法在识别整个时间序列的重要时间点和观察结果方面具有优势。
2020-10-28 cs.LG stat.ML
Modelling clusters in network time series with an application to presidential elections in the USA
本文提出 community-α GNAR 模型，利用先验知识或外生变量建模网络时间序列中的跨社区动态交互，并将其用于分析美国总统选举中红州、蓝州与摇摆州的全局及社区效应。
2024-07-05 stat.AP stat.ME
Unsupervised Representation Learning for Time Series with Temporal Neighborhood Coding
University of Toronto（多伦多大学）；Vector Institute（向量研究所）；The Hospital for Sick Children（病童医院）
时间序列通常复杂且信息丰富，但标记稀疏，因此建模具有挑战性。在本文中，我们提出了一个自监督的框架，学习非平稳时间序列的一般化表示。我们的方法，称为时间邻域编码（TNC），利用信号的生成过程的局部平滑性来定义具有固定属性的时间邻域。使用去偏对比目标，我们的框架通过确保在编码空间中，来自邻域内的信号分布与非相邻信号的分布是可区分的来学习时间序列表示。我们的动机源于医学领域，在那里，对时间序列数据的动态性质进行建模的能力对于识别、跟踪和预测潜在患者的潜在状态特别有价值，而在这些设置中，标记数据几乎是不可能的。我们将我们的方法与最近开发的无监督表示学习方法进行比较，并在多个数据集的聚类和分类任务上表现出卓越的性能。
2021-06-01 cs.LG stat.ML
Improving forecasting by subsampling seasonal time series
时间序列预测在现代商业决策中起着越来越重要的作用。在今天的数据丰富的环境中，人们的目标往往是为他们的数据选择最佳的预测模型。然而，确定最佳模型需要专业知识和经验，这使得准确预测成为一项具有挑战性的任务。为了减轻模型选择的重要性，我们提出了一个简单而可靠的算法，以提高预测性能。具体来说，我们从原始时间序列构造具有不同子季节的多个时间序列。这些衍生系列突出了原始系列的不同次季节模式，使预测方法能够捕捉数据的不同模式和组成部分。随后，我们分别用经典的统计模型（ETS或ARIMA）对这些多个序列进行预测。最后，将预测合并。我们评估我们的方法广泛使用的预测竞争数据集（M1，M3和M4）的点预测和预测区间。我们观察到的性能改进相比，基准。我们的方法是特别适合和强大的数据具有较高的频率。为了证明我们的主张的实用价值，我们展示了我们的方法表现出多种季节性模式的每小时负载数据的性能改进。
2021-12-16 stat.AP
Flagged observation analyses as a tool for scoping and communication in Integrated Ecosystem Assessments
我们提供了一个称为标记观测分析，可以应用到所有可用的时间序列，以帮助确定时间序列，应该优先。统计过程首先应用一个结构时间序列模型，包括一个随机趋势模型的数据，以估计长期趋势。该模型采用状态空间表示，趋势分量由卡尔曼滤波算法估计，该算法利用数据中过去的所有信息获得未来一年或多年的预测值。因此，根据研究人员希望视为“最近”的年份数，这些年份的预期趋势是通过统计程序仅使用之前年份的信息来估计的。预测带是围绕最近几年的预测趋势估计的，在最后一步，对最近几年的观测结果超出这些预测范围的程度进行了评估。那些这样做的，可以被识别为标记的观察。还提出了一个程序，用于评估是否从所有最近的观察的组合信息形成一个模式，偏离预测的趋势，从而代表一个意想不到的趋势，可能会被标记。除了形成基础，以确定时间序列，应优先在综合生态系统评估，标记的意见可以提供基础，与管理人员和利益攸关方沟通有关最近的生态系统changes.Applications的框架说明了两个工作的例子。
2023-01-11 stat.AP
Network Estimation for Stationary Time Series
Department of Mathematics, University of York, UK（约克大学数学系）；Department of Mathematical Sciences, University of Bath, UK（巴斯大学数学科学系）
本文提出了一种基于小波域的新型技术，用于估计高维平稳多元时间序列的稀疏条件独立图，通过局部平稳小波建模框架和图拉索斯方法，提升时间序列依赖结构识别的准确性与适用性。
2025-12-12 stat.ME
Deciphering Dynamical Nonlinearities in Short Time Series Using Recurrent Neural Networks
University of Kentucky（肯塔基大学）
替代测试技术已被广泛用于研究确定性混沌过程的一个重要组成部分，即动力学非线性的存在。传统的替代检验采用统计假设检验，并研究给定的经验样本与其替代样本之间判别统计量的潜在差异。在短时间序列中，判别统计量的选择和估计可能具有挑战性。此外，基于单一经验样本的结论是一个固有的局限性。本研究提出了一种递归神经网络分类框架，该框架使用原始时间序列，避免了对判别统计的需要，同时适应多个时间序列实现，以增强研究结果的概括性。结果表明，在短时间序列长度（L = 32，64，128）从连续和离散动力系统在混沌区，线性相关噪声的非线性变换和实验数据。分类器的准确性被证明是显着高于>> 50%的混沌政权的过程，而非线性相关的噪声是约50%相似的随机猜测，从一个样本二项式测试。这些结果是有前途的，并阐明了所提出的框架在识别潜在的动力学非线性短实验时间序列的有用性。
2019-07-15 cs.LG eess.SP q-bio.QM
Learning low-dimensional state embeddings and metastable clusters from time series data
Carnegie Mellon University（卡内基梅隆大学）；Princeton University（普林斯顿大学）
本文研究了如何从高维马尔可夫状态轨迹中找到紧致状态嵌入，其中转移核具有小的内在秩。在扩散映射的精神，我们提出了一个有效的方法来学习低维状态嵌入和捕捉过程的动态。这个想法也导致核整形方法更准确的非参数估计的过渡函数。状态嵌入可以用于将状态聚类到亚稳态集合中，从而识别慢动态。尖锐的统计误差界和误分类率证明。对一个模拟动力系统的实验表明，状态聚类方法确实揭示了亚稳态结构。我们还实验了在玩Atari游戏时由Deep-Q-Network层生成的时间序列。嵌入方法识别游戏状态是相似的，如果他们共享类似的未来事件，即使他们的原始数据是远远不同的。
2019-10-27 cs.LG stat.ML
Robust Parameter-Free Season Length Detection in Time Series
Institute of Interactive Systems and Data Science（交互系统与数据科学研究所）；Graz University of Technology（格拉茨工业大学）；Know-Center（知识中心）
时间序列的深入分析是近年来的研究热点，其中周期模式的识别是一个重要方面。许多识别周期模式的方法需要时间序列的季节长度作为输入参数。只有少数算法自动季节长度近似。其中许多依赖于简化，如数据离散化和用户定义的参数。本文提出了一种季节长度检测算法，该算法被设计为足够可靠，可以在实际应用中使用，并且除了要分析的时间序列之外，不需要任何输入。该算法通过对数据进行插值、滤波和去趋势处理来估计时间序列的季节长度。接着分析直接对应的自相关函数中的零之间的距离。我们的算法进行了测试，对一个类似的算法，并通过122 165测试，而现有的算法通过了83个测试。我们的方法的鲁棒性可以共同归因于两个算法的方法，也在实现层面上采取的设计决策。
2019-11-14 cs.LG stat.ML
Cross-Population Amplitude Coupling in High-Dimensional Oscillatory Neural Time Series
Purdue University（普渡大学）；Carnegie Mellon University（卡内基梅隆大学）
本文提出了一种基于交叉相关分析的统计方法，用于高维振荡神经时间序列中跨脑区振幅耦合的量化分析。
2025-12-28 q-bio.NC stat.AP stat.ME
Two-Sample Testing for Event Impacts in Time Series
在许多应用领域中，监测时间序列以检测极端事件，如技术故障、自然灾害或疾病爆发。不幸的是，选择提供事件信息的时间序列和强大的检测算法两者通常是不平凡的：检测可能会失败，因为检测算法不合适，或者因为在时间序列和感兴趣的事件之间没有共享信息。因此，在这项工作中，我们提出了一个非参数的统计测试之间的共享信息的时间序列和一系列的观察到的事件。我们的测试允许识别携带事件发生信息的时间序列，而无需采用特定的事件检测方法。简而言之，我们测试的时间序列的值分布的分歧，在事件发生后的多个双样本测试方法增加滞后。与相关的测试相比，我们的方法适用于任意域上的时间序列，包括多变量数值、字符串或图形。我们进行了大规模的模拟研究，以表明它优于或等同于我们的任务单变量时间序列的相关测试。我们还展示了我们的方法在社交媒体和智能家居环境数据集上的现实适用性。
2020-01-31 stat.ME stat.ML
Multi-SpaCE: Multi-Objective Subsequence-based Sparse Counterfactual Explanations for Multivariate Time Series Classification
Multi-SpaCE是一种用于多变量时间序列分类的多目标反事实解释方法，通过NSGA-II算法平衡多个目标，确保有效性并提供灵活的解决方案。
2025-06-10 cs.LG cs.NE stat.ML
rfBLT: Random Feature Bayesian Lasso Takens Model for time series forecasting
针对时间序列预测中传统模型难捕非线性、机器学习模型缺不确定性量化的问题，提出rfBLT模型，结合塔肯斯定理、随机特征投影与贝叶斯套索正则化，在真实数据上显著优于传统及机器学习模型且实现不确定性量化。
2025-11-12 stat.ME
Monte Carlo EM for Deep Time Series Anomaly Detection
AWS AI Labs（AWS 人工智能实验室）；Technical University of Munich（慕尼黑工业大学）
时间序列数据经常被离群值或其他类型的异常所破坏。识别异常点本身可以是一个目标（异常检测），也可以是提高其他时间序列任务（例如预测）性能的一种手段。最近基于深度学习的异常检测和预测方法通常假设训练数据中的异常比例小到足以忽略，并将未标记的数据视为来自标称数据分布。我们提出了一个简单而有效的技术，用于增强现有的时间序列模型，使他们明确占异常的训练数据。通过增加训练数据与潜在的异常指标变量，其分布推断，同时使用Monte Carlo EM训练底层模型，我们的方法同时推断异常点，同时提高模型性能的标称数据。我们证明了该方法的有效性，结合它与一个简单的前馈预测模型。我们调查如何异常的训练集影响训练的预测模型，这是常用的时间序列异常检测，并表明我们的方法提高了训练的模型。
2021-12-29 cs.LG stat.ML
Identifying nonlinear dynamical systems with multiple time scales and long-range dependencies
Heidelberg University（海德堡大学）；Central Institute of Mental Health（中央心理健康研究所）
生物学和物理学的一个主要理论兴趣是识别产生观测时间序列的非线性动力系统（DS）。原则上，递归神经网络（RNN）足够强大，可以近似任何潜在的DS，但在其香草形式下，会遇到梯度爆炸与梯度消失的问题。以前试图缓解这个问题的尝试要么导致更复杂，数学上更不容易处理的RNN架构，要么强烈限制了RNN的动态表达能力。在这里，我们通过为具有ReLU激活的香草RNN提出一个简单的正则化方案来解决这个问题，使它们能够解决长距离依赖问题并表达缓慢的时间尺度，同时保留一个简单的数学结构，使其DS属性部分可分析。我们证明了两个定理，在正则化RNN动态及其梯度之间建立了紧密的联系，在DS基准测试中说明了我们的正则化方法极大地简化了具有广泛不同时间尺度的DS的重建，并表明我们的方法在几个任务上也与其他远程架构（如LSTM）不相上下。
2021-03-12 cs.LG q-bio.QM stat.ML
Optimal low-rank approximations for linear Gaussian inverse problems on Hilbert spaces, Part I: posterior covariance approximation
本文利用Feldman-Hajek定理分析了无限维Hilbert空间上线性高斯反问题的后验协方差低秩近似，刻画了保证分布等价性的协方差近似条件，并在多种散度度量下同时求得最优低秩近似，为离散化问题提供了理论基础。
2025-04-04 math.PR math.ST stat.TH
