On Clustering Time Series Using Euclidean Distance and Pearson Correlation
University of Konstanz(康斯坦茨大学);Univ. of Applied Sciences Wolfsburg(沃尔夫斯堡应用科学大学)
对于时间序列比较,经常观察到z分数归一化的欧几里得距离远远优于未归一化的变量。在本文中,我们证明了z分数归一化的平方欧几里德距离实际上等于基于皮尔逊相关的距离。这对许多基于距离的分类或聚类方法产生了深远的影响。除了这个理论上合理的结果,我们还表明,经常使用的k-Means算法形式上需要修改,以保持解释为皮尔逊相关严格有效。实验结果表明,在许多情况下,标准的k-Means算法通常会产生相同的结果。
2016-01-10 cs.AI cs.LG stat.ML
Lagged correlation-based deep learning for directional trend change prediction in financial time series
University of Edinburgh(爱丁堡大学)
具有大量噪声时间序列的复杂系统中的趋势变化预测是现实世界现象的许多应用中的问题,股票市场是这种系统的众所周知的难以预测的示例。我们通过它们之间的复杂滞后相关性来预测方向趋势变化,从相应的输入中排除有关目标系列的任何信息,以纯粹基于与其他系列的此类相关性来实现预测。我们建议使用深度神经网络,在这项任务的预备特征工程中采用指数平滑的逐步线性回归,回归斜率作为给定时间间隔的趋势强度指标。我们将这种方法应用于2011年至2016年的历史股票市场数据,作为大量时间序列之间滞后相关性的用例示例,这些时间序列受到外部产生的新信息作为随机因素的严重影响。结果表明,所提出的方法的可行性,与国家的最先进的准确性和会计的统计意义的结果进行额外的验证,以及现代金融经济学的重要影响。
2018-11-29 cs.LG q-fin.CP stat.ML
Cluster-Aware Causal Mixer for Online Anomaly Detection in Multivariate Time Series
University of California, Berkeley(加州大学伯克利分校)
本文提出了一种基于聚类的因果混合器,用于多变量时间序列的在线异常检测,通过聚类处理通道间的相关性,结合因果混合器保持时间因果性,并开发了序列异常评分方法以提高检测准确性。
2026-06-04 cs.LG stat.ML
Spectral Correlation Hub Screening of Multivariate Time Series
University of Michigan(密歇根大学)
本章讨论平稳多元高斯时间序列在谱域或傅立叶域的相关分析。目标是识别中心时间序列,即,与指定数量的其他时间序列高度相关的那些。我们证明了不同频率下的时间序列的傅立叶分量是渐近统计独立的。这个属性允许在每个频率独立的相关性分析,减轻计算和统计的高维时间序列的挑战。为了检测每个频率处的相关枢纽,现有的相关筛选方法被扩展到复数以容纳复值傅立叶分量。我们的特点的枢纽发现在指定的相关性和程度阈值的制度,增加的维度和固定的样本量。该理论规定了适当的阈值,以应用于样本相关阵,以检测枢纽,也允许统计意义归因于枢纽的发现。数值结果说明了理论的准确性和所提出的谱框架的实用性。
2014-04-09 cs.LG stat.AP stat.OT
Causal and Local Correlations Based Network for Multivariate Time Series Classification
School of Information Science and Engineering, Shandong Normal University(山东师范大学信息科学与工程学院);Shandong Provincial Key Laboratory for Distributed Computer Software Novel Technology(山东省分布式计算机软件新技术重点实验室)
针对现有多元时间序列分类方法忽略维度空间相关性与特征局部相关性的问题,本研究提出CaLoNet,通过因果建模维度成对空间相关性得图结构、关系提取网络融合局部相关性得长期依赖特征并整合入图神经网络,在UEA数据集上取得与最优方法相当的性能。
2024-11-27 cs.AI cs.LG stat.ME
CATS: Mitigating Correlation Shift for Multivariate Time Series Classification
Siebel School of Computing and Data Science, University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校西贝尔计算与数据科学学院);Visa Research(Visa研究院)
针对多变量时间序列分类中跨域相关性变化被忽视的问题,本文提出即插即用的相关性适配器CATS,通过时间卷积和图注意力建模并对齐多变量相关性,以约1%的额外参数实现超过10%的平均准确率提升。
2025-04-05 cs.AI cs.LG stat.ML
An Updated Literature Review of Distance Correlation and its Applications to Time Series
距离协方差/相关性的概念是最近提出来表征随机变量向量之间的相关性。我们回顾了一些统计方面的距离协方差/相关函数,我们证明了它的适用性时间序列分析。我们将看到,自距离协方差/相关函数能够识别非线性关系,并且可以用于测试i.i.d.。假说.与其他依赖措施的比较。
2018-07-12 stat.ME
A Portmanteau-type test for detecting serial correlation in locally stationary functional time series
Portmanteau检验提供了经典单变量时间序列分析中检测序列相关性的基本方法。该方法被扩展到从局部平稳的功能时间序列的意见的情况下。渐近临界值得到一个合适的块乘子自举过程。检验结果表明,渐近保持其水平,并对一般的替代品是一致的。
2020-09-15 math.ST stat.ME stat.TH
Periodic fluctuations in correlation-based connectivity density time series: application to wind speed-monitoring network in Switzerland
在本文中,我们研究了在瑞士的风速监测网络的连接密度时间序列的周期性波动。利用基于相关图的鲁棒周期图,发现基于相关图的网络存在年周期振荡。这种年度周期振荡的强度是较大的相关阈值较低和较小的较高。连接密度的年度周期性似乎与季节性气象气候循环相当一致。
2017-12-07 stat.AP
Compositional Correlation for Detecting Real Associations Among Time Series
相关性仍然是最广泛使用的统计工具之一,用于评估数据系列之间关系的强度。本文提出了一种新的检测线性和非线性关系的组成相关方法,通过考虑所有可能的组成的数据序列的所有部分的平均值,而不是考虑整个系列的平均值。该方法使得所有局部关联对所得到的相关值的累积贡献成为可能。该方法适用于两个不同的数据集:一组四个简单的非线性多项式函数和表达时间序列数据的4381芽殖酵母(酿酒酵母)基因。结果表明,引入的成分相关方法能够确定真实的正、逆线性、非线性和单调关系。与Pearson相关、Spearman相关、距离相关和模拟退火遗传算法最大信息系数(SGMIC)的比较表明,该方法能够检测出比较方法不能检测出的重要关联。
2018-01-16 stat.ME
The Variable Multiple Bandpass Periodic Block Bootstrap for Time Series with Multiple Periodic Correlations
提出VMBPBB方法,通过带通滤波分离并分别重采样各周期成分,保留多重周期相关时间序列的所有相关性,模拟显示其优于现有方法。
2025-02-11 stat.AP stat.ME
A partial correlation vine based approach for modeling and forecasting multivariate volatility time-series
提出了一种实现协方差阵动态建模和预测的新方法。联合估计已实现方差和已实现相关矩阵。一个正定的相关矩阵和它的相关的一组偏相关对应于任何葡萄树规格之间的一对一的关系被用于数据转换。因此,模型的组成部分是已实现的方差以及已实现的标准相关和偏相关,对应于每日的对数收益序列。因此,它们有明确的实际解释。一种方法来选择一个定期藤结构,它允许简约的时间序列和模型组件的依赖建模,介绍。由于代数独立,后者不受任何代数约束。所提出的模型方法进行了详细的概述和动机,以及一个真实的数据的例子,对六个高流动性的股票。的预测性能进行评估的统计精度和投资组合优化的背景下。与基于Cholesky分解的基准模型的比较支持所提出的模型方法的优秀的预测能力。
2019-02-15 stat.ME
A factor model approach for the joint segmentation with between-series correlation
我们考虑相关时间序列的分割,允许相关性采取任意形式,但在每个时间位置相同。我们表明,在因子模型中编码的依赖关系,使我们能够使用动态规划算法的断点的推理,这仍然是最有效的算法之一。我们提出了一个模型选择过程来确定断点的数量和因子的数量。所提出的方法在FASeg R包中实现,该包可在CRAN上获得。我们通过模拟实验证明了我们的程序的性能和应用程序的大地测量数据。
2018-07-17 stat.ME
Forecast Collapse in Time-Series Foundation Models
Abel AI Lab(阿贝尔人工智能实验室);Arizona State University(亚利桑那州立大学);University of Oxford(牛津大学)
针对1000只美股每小时收益预测出现的预测崩溃现象,本文分析其成因,提出CalibRank目标函数平衡校准与排名,在Finance1K上提升了截面相关性。
2026-08-17 cs.AI cs.CE cs.LG
Applications of Distance Correlation to Time Series
使用经验特征函数解决推理问题,包括在某些特殊参数设置下的估计和拟合拟合优度检验,有着悠久的历史,可以追溯到70年代(例如,参见Feuerverger和Mureika(1977),Csorgo(1981 a,1981 b,1981 c),Feuerverger(1993))。最近,在其他推理设置中使用经验特征函数已经重新引起了人们的兴趣。由Szekely和Rizzo(2009)开发的用于测量两个随机向量之间的依赖性和测试独立性的距离协方差和相关性,可能是对此最著名的说明。我们将这些想法应用到平稳的单变量和多元时间序列来测量时间序列中的滞后自相关性和交叉相关性。在强混合假设下,我们建立了样本自相关函数和交叉距离相关函数的渐近理论。我们也将自距离相关函数(ADCF)应用于自回归过程的残差,作为拟合拟合优度的检验。在自回归模型为真的情况下,经验ADCF的极限分布与基于iid序列的极限分布有很大不同。我们说明了使用的经验自动和交叉距离相关函数测试的依赖性和交叉依赖的时间序列在各种不同的情况下。
2016-06-17 math.ST stat.TH
Orthogonal series estimation of the pair correlation function of a spatial point process
针对核估计量在成簇点模式小滞后下的偏差问题,提出一种新的对相关函数正交级数估计量,证明其一致性与渐近正态性,并在 Poisson 及成簇点过程模拟中优于核估计。
2017-02-06 math.ST stat.TH
Long-range fluctuations and multifractality in connectivity density time series of a wind speed monitoring network
利用多重分形去趋势波动分析方法研究了风速监测网的日连通性时间序列。研究了连通性时间序列残差的长程涨落和多重分形。我们的研究结果表明,基于相关性的网络的日常连接是持久的任何相关阈值。此外,相关阈值的绝对值越大,多重分形度越高
2018-07-30 physics.data-an stat.AP
Time-varying correlation network analysis of non-stationary multivariate time series with complex trends
本文提出了一个灵活的框架,从多变量或高维非平稳时间序列分段平滑趋势推断大规模时变和时滞相关网络。建立在一个新的和统一的多重测试程序的时滞互相关函数与一个固定或发散的滞后数,我们的方法可以准确地揭示灵活的时变网络结构与复杂的功能结构在所有的时间点。我们扩大了我们的方法的适用性,通过开发基于差分的互相关非参数估计的结构中断,实现准确的家庭明智的错误控制,通过自适应复杂的时间动态的引导辅助程序,并提高恢复的概率时变网络结构使用一个新的均匀方差减少技术。我们证明了所提出的方法的渐近有效性,并通过仿真研究和实证应用表明其有效性在有限样本。
2023-02-10 math.ST stat.ME stat.TH
Canonical correlation analysis between time series and static outcomes, with application to the spectral analysis of heart rate variability
虽然许多研究收集生物医学时间序列信号从多个主题,有一个缺乏的模型和方法来评估之间的关联的频域属性的时间序列和其他研究成果。本文介绍了随机Cramer表示作为一个联合模型的集合的时间序列和静态的结果,功率谱是随机函数的结果。倒谱系数和静态结果之间的典型相关分析,提供了一个灵活的,但可解释的关联措施。的典型相关性和权重函数的估计得到的静态结果和截断倒谱系数的最大Whittle似然估计之间的典型相关分析。所提出的方法是用来分析之间的关联频谱的心率变异性和措施的睡眠持续时间和碎片的研究中的老年人谁作为主要照顾他们生病的配偶。
2013-05-24 stat.AP
Time delay estimation in satellite imagery time series of precipitation and NDVI: Pearson's cross correlation revisited
为了更准确地描述每日卫星图像的降水量和NDVI的时间序列之间的时间关系,我们提出了一个估计,考虑到自然观察到的降水稀疏。我们进行了一系列的模拟研究,并表明,建议的估计量的方差小于典型的(皮尔逊为基础的),特别是,当信号噪声比是相当低的。此外,当我们将其应用于墨西哥一些生态区域的图像堆栈(2002-2016)时,发现所提出的估计量的方差小于规范的方差。本文的计算是基于我们新的R包geoTS中实现的函数。
2019-05-11 stat.AP
Change Point Analysis of Correlation in Non-stationary Time Series
变点分析中的一个限制性假设是“在无变点的原假设下的平稳性”,这对于渐近理论是至关重要的,但从实际的角度来看是不太现实的。例如,如果执行相关性的变点分析,即使相关性没有变化,也不一定清楚平均值、边际方差或高阶矩是恒定的。本文在较少限制的假设条件下,发展了相关结构的变点分析方法。与以前的工作相比,我们的方法不要求均值,方差和四阶联合累积量是恒定的原假设下。此外,我们还解决了检测相关变化点的问题。
2018-01-30 stat.ME
On the graph-theoretical interpretation of Pearson correlations in a multivariate process and a novel partial correlation measure
在时间序列图的框架下,解释了滞后(皮尔逊)相关函数对多元自回归模型系数的依赖性。时间序列图与格兰杰因果关系的概念相关,并编码多元过程的条件独立结构。作者表明,复杂的依赖关系的皮尔逊相关系数复杂的解释,并提出了一种新的偏相关措施与一个简单的图形理论的解释。新的措施具有额外的优点,它的抽样分布是不受串行依赖性的皮尔逊相关系数一样。在气候时间序列的应用中,新措施的潜力得到了证明。
2013-10-18 math.ST physics.data-an stat.AP
A Robust Time Series Model with Outliers and Missing Entries
本文研究了一元时间序列中存在噪声、异常值和缺失项时相关函数的鲁棒学习问题。这里考虑的异常值或异常是稀疏和罕见的事件,偏离正态性,这是由相关函数和不确定性条件描述。这个一般公式适用于事件计数的单变量时间序列(或非负时间序列),其中相关性是具有遵循泊松分布的不确定性条件的对数线性函数。近似的稀疏约束,如$\ell^r, 0< r\le 1$,用于获得鲁棒性的存在离群值。还将$\ell^r$约束应用于相关函数以减少有效系数的数量。此任务还有助于绕过模型选择过程。仿真结果验证了模型的有效性。
2019-01-29 stat.AP
Assessing Time Series Correlation Significance: A Parametric Approach with Application to Physiological Signals
本文提出一种基于高斯自相关函数假设的参数化方法,通过时间导数估计有效样本量,以准确且高效地评估时间序列相关系数的统计显著性,并成功应用于电生理和动作捕捉等生理信号分析。
2024-01-08 q-bio.QM stat.AP stat.ME
Partial Distance Correlation Screening for High Dimensional Time Series
高维时间序列数据集在经济、金融、气象和神经科学等各个领域正变得越来越普遍。鉴于这种普遍存在的时间序列数据,令人惊讶的是,很少有关于变量筛选的作品讨论了时间序列设置,甚至更少的作品开发了利用时间序列数据的独特特征的方法。本文介绍了几种基于部分距离相关的无模型筛选方法,这些方法是专门为处理时间相关数据而发展起来的。方法开发的单变量模型,如非线性自回归模型与外源预测(NARX),和多变量模型,如线性或非线性VAR模型。我们的方法,这取决于时刻条件,以及在响应和协变量过程中的依赖强度,以及其他因素,证明了一定的筛选性能。依赖性通过函数依赖性测量来量化(Wu [Proc.Natl. Acad. Sci. USA 102(2005)14150-14154])和$β$ -混合系数,并且结果依赖于对相依随机变量使用Nagaev和Rosenthal型不等式。通过广泛的模拟研究表明,我们的方法的有限样本性能,我们包括宏观经济预测的应用。
2018-04-13 stat.ME
A Max-Correlation White Noise Test for Weakly Dependent Time Series
针对原假设下弱相关的时间序列,提出了一种基于最大相关的自举p值白噪声检验方法。时间序列可以是预滤波的残差。检验统计量是归一化加权最大样本相关性,其中最大滞后以慢于样本量的速率增加。我们只需要在原假设下的不相关性,以及包括混合和非混合序列的矩收缩依赖属性。我们证明了Shao(2011)的依赖野生自举对于比最初考虑的更大的一类过程是有效的。它也适用于一般类参数模型的残差,只要将自助法应用于样本相关性的一阶展开。我们证明了自举有效性,而不利用极值理论(标准的文献)或最近的高斯近似理论。最后,我们将Escanciano和Lobato(2009)的自动最大滞后选择扩展到我们的无界选择集,并发现它在受控实验中表现得非常好。我们提出的测试实现了准确的大小在各种白噪声零假设和高功率下的各种替代假设,包括遥远的串行依赖。
2019-08-05 stat.ME
Partial correlation graphs for continuous-parameter time series
本文针对多元连续时间平稳随机过程构建偏相关图,给出其等价刻画与图oid性质,证明其满足马尔可夫性且可通过谱密度逆确定边,对比了混合因果图,并刻画了MCAR过程的偏相关图边。
2024-01-30 math.ST stat.TH
Assessment of long-range correlation in animal behaviour time series: the temporal pattern of locomotor activity of Japanese quail (Coturnix coturnix) and mosquito larva (Culex quinquefasciatus)
本研究的目的是评估一种经典的分形分析方法,去趋势波动分析(DFA),在动物行为时间序列的动态分析的性能。为了正确使用DFA来评估长程相关性的存在,使用统计模型系统的先前作者已经指出,应该考虑不同的方面,例如:1)通过假设检验建立短期相关性的缺失,2)波动函数的双对数图中直线的精确估计,3)波动函数中人为交叉的消除,以及4)时间序列的长度。考虑到这些因素,在这里,我们评估了日本鹌鹑({ \sl Coturnix coturnix})和蚊子幼虫({ \sl Culex quinquefasciatus})的运动活动的时间模式的长程相关性的存在。在我们的研究中,用一般的ARFIMA模型对数据进行建模,我们在所有情况下都拒绝了短程相关(d=0)的假设。我们还观察到,DFA能够区分日本鹌鹑运动的时间模式中观察到的人工交叉,和蚊子幼虫运动中观察到的相关行为中的交叉。虽然测试持续时间会轻微影响参数估计,但在不同测试持续时间之间未观察到定性差异。
2013-04-30 q-bio.QM stat.AP
Spatial Correlation in Weather Forecast Accuracy: A Functional Time Series Approach
一个功能时间序列的方法,提出了调查的空间相关性在美国各地的111个城市的每日最高温度预报误差的空间相关性的建模是最富有成效的较长的预测视野,并成为不太相关的预测视野缩小到零。对于未来6天的预测,函数方法揭示了可解释的区域空间效应,并捕捉到内陆城市与沿海城市相比观察到的较高方差,以及在山区和中西部各州观察到的较高方差。函数方法也自然地处理缺失数据,通过建模的连续,并可以有效地实现利用B样条基引起的稀疏性。数据的时间依赖性通过函数基系数的时间依赖性来建模。独立的一阶自回归广义自回归条件异方差[AR(1)+GARCH(1,1)]和Student-t新息的工作以及捕捉的基础系数随时间的持续性和季节性异方差反映较高的方差在冬季。通过利用基系数的自相关性,函数时间序列方法还产生了一种用于改进天气预报和不确定性量化的方法。由此产生的方法纠正了天气预报中的偏差,同时减少了误差方差。
2021-11-22 stat.ME
A causal interactions indicator between two time series using extreme variations in the first eigenvalue of lagged correlation matrices
Miralta Finance Bank S.A.(Miralta金融银行);University of Reading(雷丁大学);Indian Institute of Science Education and Research (IISER)(印度科学教育与研究所)
本文提出基于滞后相关矩阵最大特征值变异性的双时间序列因果交互识别方法,经实验验证其检测时序结构变化的效果优于Granger因果检验,可用于金融市场风险相关的因果推断。
2025-11-18 q-fin.PM stat.AP
Inferring Dynamic Hidden Graph Structure in Heterogeneous Correlated Time Series
Deep Forest Sciences(深林科学)
本文提出了一种窗口方差-相关度度量方法,用于推断异构相关时间序列中动态隐藏图结构,有效捕捉时间变化的相关性。
2025-12-01 eess.SP stat.ME
Determining The Number of Factors in Two-Way Factor Model of High-Dimensional Matrix-Variate Time Series: A White-Noise based Method for Serial Correlation Models
针对高维矩阵值时间序列的双向因子模型,提出基于白噪声的信号统计量方法,通过序列分解和变换消除行列载荷交互影响,确定因子数量并保证估计一致性,数值实验验证了有效性。
2025-01-25 stat.ME
Parsimony, model adequacy and periodic correlation in forecasting time series
本文总结了我们最近在季节性河流流量预报方面的工作,说明了Box \& Jenkins(1970)的模拟原理的优点。具体来说,这项工作表明,简约的原则,这是最近受到质疑的几个作者,是有助于选择最佳模型预测季节性河流流量。我们的工作也证明了模型充分性的重要性。一个适合的季节性河流流量模型必须包含季节性的周期相关性。通常的自回归移动平均(ARMA)和季节ARMA模型在这方面是不够的季节性河流流量时间序列。本文提出了一种新的诊断检验方法,用于检验拟合ARMA模型的周期相关性。在拟合季节性ARMA模型时,建议常规使用此诊断检查。结果表明,这种诊断检查表明,许多季节性经济时间序列也表现出周期相关性。由于标准预测方法在这方面存在不足,因此可以得出结论,在许多情况下,所产生的预测是次优的。最后,还说明了预测的任意组合的局限性。结合预测从一个足够的吝啬模型与不足的模型并没有提高预测,而结合两个预测的两个不足的模型确实产生了改善预测性能。这些发现也支持Box \& Jenkins的模型构建理念。Newbold \& Granger(1974)和Winkler \& Makridakis(1983)的非直观发现,即相似模型的预测的明显任意组合将导致预测性能,但我们对河流流量预测的案例研究并不支持这一发现。
2016-11-04 math.ST stat.AP stat.TH
An integer-valued time series model for multivariate surveillance
最近几天,出于公共卫生的原因,不同类型的监测数据正在变得可用。在大多数情况下,监测几个变量并报告不同类型的事件。随着监测数据量的增加,需要能够有效解决多变量监测场景的统计方法。尽管近年来这一领域的研究活动迅速增加,但只有少数方法同时解决了数据的整数值属性及其相关性(时间相关性和互相关性)结构。在本文中,我们提出了一个多变量整数值自回归模型,允许序列之间的序列和交叉相关,可以很容易地容纳过度分散和协变量信息。此外,它的结构意味着一个自然的分解成地方病和流行病的组成部分,一个共同的区别在动态模型的传染病计数。疾病暴发的检测是通过将监测数据与将建议的模型拟合到一组干净的历史数据后获得的一步预测进行比较来实现的。在2004年雅典奥运会期间收集的一系列症状监测数据的三变量的建议模型的性能说明。
2019-09-13 stat.AP
Bayesian Changepoint Estimation for Spatially Indexed Functional Time Series
我们提出了一个贝叶斯分层模型,同时估计基于空间相关的功能时间序列的变化点的均值。与以前的方法,假设在所有空间位置共享的变点或忽略空间相关性,我们的方法将变点作为一个空间过程。这使得我们的模型能够尊重空间异质性,并利用空间相关性来改善估计。我们的方法是来自无处不在的累积和(AUCUM)统计,占主导地位的功能时间序列中的变点检测。然而,而不是直接搜索的最大值的基于的过程,我们建立空间相关的两件线性模型与适当的方差结构,以定位所有的变化点一次。所提出的线性模型方法增加了我们的方法的鲁棒性,以变异性的CRAUM过程中,结合我们的空间相关性模型,提高了边缘附近的变点估计。我们通过广泛的模拟研究表明,我们的方法优于现有的功能变点估计的估计精度和不确定性量化方面,无论是弱和强的空间相关性,弱和强的变化信号。最后,我们使用温度数据集和2019年冠状病毒病(COVID-19)研究来证明我们的方法。
2022-01-08 stat.AP stat.ME
Time Series Analysis and Correlation of Subway Turnstile Usage and COVID-19 Prevalence in New York City
在本文中,我们显示了纽约市大都会交通管理局提供的纽约市地铁旋转栅门使用数据与纽约市卫生局报告的COVID-19死亡和病例之间的强相关性。转门使用数据不仅显示了城市地铁的使用情况,还显示了人们的活动,这些活动促进了2020年3月至5月期间COVID-19城市居民的大规模流行。虽然这种相关性是显而易见的,但以前没有提供任何证据。在这里,我们证明了这种相关性,通过应用程序的长短期记忆神经网络。我们发现,COVID-19流行率与死亡的相关性考虑了报告死亡的潜伏期和症状期。在建立了这种相关性后,我们使用自回归综合移动平均模型估计在报告的死亡人数减少后COVID-19死亡人数和病例数接近零的日期。我们还通过回溯数据集来估计第一例病例和死亡发生的日期,并将其与报告的日期进行比较。
2020-08-30 physics.soc-ph stat.AP
Time series signal recovery methods: comparative study
信号数据通常包含缺失值。缺失值的有效替换(插补)可以对信号处理产生显著的积极影响。在本文中,我们比较了三种常用的方法估计缺失值的时间序列数据:向前填充,向后填充,平均值填充。我们使用3,600个基于AR(1)的模拟时间序列进行大规模实验分析,以确定估计缺失值的最佳方法。数值实验结果表明,前向和后向填充方法更适合于正相关性大的时间序列,而均值填充方法更适合于低相关性或负相关性的时间序列。数值实验的广泛性和详尽性为三种估算方法的比较提供了一个明确的答案。
2021-10-25 stat.CO
Multifractal cross-correlations of bitcoin and ether trading characteristics in the post-COVID-19 time
与价格波动不同,加密货币交易的时间结构很少成为系统研究的主题。为了填补这一空白,我们分析了价格回报、时间单位内的平均交易次数以及交易量的去趋势相关性,这些数据基于代表两种主要加密货币的高频数据:比特币和以太币。我们应用多重分形去趋势互相关分析,这被认为是最可靠的方法来识别时间序列中的非线性相关性。我们发现,在我们的研究中考虑的所有数量显示出明确的多重分形结构,从单变量(自相关)和双变量(互相关)的角度。我们研究了比特币-以太币在同时记录的信号中的交叉相关性,以及在时滞信号中的交叉相关性,其中一种加密货币的时间序列相对于另一种加密货币发生了偏移。这样的移位在短时间尺度上部分地抑制了互相关,但并没有完全消除它们。我们没有观察到任何定性的不对称的结果的两个选择的领先资产。同步和滞后时间序列的互相关在足够长的尺度上变得相同。
2022-08-02 econ.EM physics.data-an q-fin.ST
MSGNet: Learning Multi-Scale Inter-Series Correlations for Multivariate Time Series Forecasting
Sichuan University(四川大学);The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));Beijing Institute of Technology(北京理工大学)
本文提出深度学习模型MSGNet,通过频域分析提取周期模式并分解时间尺度,结合自注意力机制和自适应mixhop图卷积层捕获多尺度序列间相关性,在真实数据集上展现出高效预测与强泛化能力。
2023-12-31 cs.LG
MGCP: A Multi-Grained Correlation based Prediction Network for Multivariate Time Series
Shenzhen International Graduate School, Tsinghua University(清华大学深圳国际研究生院);Tencent AI Lab(腾讯人工智能实验室);Peng Cheng Laboratory(鹏城实验室);University of Connecticut(康涅狄格大学);MBZUAI(穆罕默德·本·扎耶德人工智能大学)
针对多元时间序列预测中多粒度相关性难以同时学习的问题,提出MGCP网络,通过自适应傅里叶神经算子和图卷积网络提取细、中粒度特征,并利用对抗训练优化粗粒度预测,显著提升了预测性能。
2024-05-30 cs.LG
Estimation of Correlation Matrices from Limited time series Data using Machine Learning
Indian Institute of Technology Indore(印度理工学院印多尔分校);Institute for Basic Science (IBS)(基础科学研究所);ST Biotherapeutics, Inc.(1ST生物治疗公司);Indian Institute of Information Technology Raichur(印度赖布尔信息技术学院)
相关矩阵包含了关于动力系统的各种时空信息。从几个节点的部分时间序列信息预测相关矩阵表征整个底层系统的时空动态。该信息可以帮助预测底层网络结构,例如,从尖峰数据推断神经元连接,从表达数据推断基因之间的因果依赖关系,以及发现气候变化的长空间范围影响。预测相关矩阵的传统方法利用底层网络的所有节点的时间序列数据。在这里,我们使用监督机器学习技术来预测整个系统的相关矩阵从有限的时间序列信息的一些随机选择的节点。预测的准确性验证了仅整个系统的子集的有限时间序列就足以做出良好的相关矩阵预测。此外,使用无监督学习算法,我们提供了从我们的模型预测的成功的见解。最后,我们将这里开发的机器学习模型应用于现实世界的数据集。
2023-03-13 cs.LG
Correlation-aware Unsupervised Change-point Detection via Graph Neural Networks
Carnegie Mellon University(卡内基梅隆大学)
变点检测(CPD)旨在检测时间序列数据的突变。直观的,有效的CPD多变量时间序列应该需要明确的建模的依赖关系,跨输入变量。然而,现有的CPD方法要么完全忽略依赖结构,要么依赖于(不切实际的)假设,即相关结构随时间是静态的。在本文中,我们提出了一个相关感知的CPD动力学模型,显式模型的相关结构和动态的变量,将图神经网络到一个编码器-解码器框架。在合成数据集和真实数据集上的大量实验表明,所提出的模型在强基线上对CPD任务的优越性能,以及将变点分类为相关变化或独立变化的能力。关键词:多元时间序列,变点检测,图神经网络
2020-09-13 cs.LG stat.ML
DAG: A Dual Correlation Network for Time Series Forecasting with Exogenous Variables
School of Data Science and Engineering, East China Normal University, Shanghai, China(数据科学与工程学院,东华大学,上海,中国)
本文提出DAG网络,通过时间与通道维度的双相关模块,提升外生变量在时间序列预测中的利用效率,改进现有方法对历史和未来外生变量相关性的建模能力。
2026-05-12 cs.LG
Correlation Based Feature Subset Selection for Multivariate Time-Series Data
University College Dublin(都柏林大学)
多变量时间序列数据流中的相关性意味着,通常情况下,给定的数据采掘任务只需要一小部分特征。在本文中,我们提出了一种技术,我们称之为时间序列数据(MSTS)的优点分数,没有特征子集选择的基础上的相关模式的单个特征分类器的输出。我们分配一个优点分数的功能子集,这是用来作为选择“好”的功能子集的基础。所提出的技术进行评估的数据集从UEA多变量时间序列档案,并对包装方法进行比较,特征子集的选择。MSTS被证明是有效的特征子集选择,是特别有效的数据减少技术。MSTS在选择合适的特征子集方面比Wrapper策略在计算上更有效,对于一些较大的数据集,速度要快100倍以上,同时还保持了良好的分类精度。
2021-11-26 cs.LG
Spectral Temporal Graph Neural Network for Multivariate Time-series Forecasting
Peking University(北京大学);Microsoft(微软);ETH Zürich(苏黎世联邦理工学院)
多变量时间序列预测在许多实际应用中起着至关重要的作用。这是一个具有挑战性的问题,因为需要同时考虑序列内的时间相关性和序列间的相关性。最近,已经有多个作品试图捕捉这两种相关性,但大多数,如果不是全部的话,他们只捕捉时间域中的时间相关性,并诉诸于预定义的先验序列间的关系。为了进一步提高多变量时间序列预测的精度,本文提出了谱时间图神经网络(StemGNN)。StemGNN捕获\textit{spectral domain}中的序列间相关性和时间依赖性\textit{jointly}。它结合了图形傅立叶变换(GFT)和离散傅立叶变换(DFT),前者对序列间相关性进行建模,后者对端到端框架中的时间依赖性进行建模。在经过GFT和DFT之后,谱表示保持清晰的模式,并且可以通过卷积和顺序学习模块来有效地预测。此外,StemGNN自动从数据中学习序列间相关性,而无需使用预定义的先验知识。我们在十个真实世界的数据集上进行了广泛的实验,以证明StemGNN的有效性。代码可在https://github.com/microsoft/StemGNN/上获得
2021-03-13 cs.AI cs.LG
Autoformer: Decomposition Transformers with Auto-Correlation for Long-Term Series Forecasting
Tsinghua University(清华大学)
延长预测时间是极端天气预警和长期能源消耗规划等实际应用的关键需求。本文研究时间序列的长期预测问题。现有的基于transformer的模型采用各种自注意机制来发现远程依赖关系。然而,长期未来的复杂时间模式阻止了模型找到可靠的依赖关系。此外,Transformers必须采用稀疏版本的逐点自关注的长序列效率,导致信息利用瓶颈。除了Transformers之外,我们还将Autoformer设计为具有自相关机制的新型分解架构。我们打破了序列分解的预处理惯例,并将其更新为深层模型的基本内部块。这种设计使Autoformer具有复杂时间序列的渐进分解能力。进一步,受随机过程理论的启发,设计了基于序列周期性的自相关机制,在子序列层次上进行依赖发现和表示聚合。自相关在效率和准确性方面都优于自我注意。在长期预测中,Autoformer具有最先进的准确性,在六个基准上相对提高了38%,涵盖五个实际应用:能源,交通,经济,天气和疾病。代码可在以下存储库中获得:\url{https://github.com/thuml/Autoformer}。
2022-01-07 cs.AI cs.LG
A Distance Correlation-Based Approach to Characterize the Effectiveness of Recurrent Neural Networks for Time Series Forecasting
University of Washington(华盛顿大学)
本文提出基于距离相关性的方法,将时间序列特征与RNN组件关联,通过分析激活层信息流来解释性能差异,发现RNN能学习滞后结构但随层数加深而丢失信息,且无法充分建模移动平均和异方差过程,从而帮助从业者在无需训练的情况下评估RNN有效性。
2024-04-25 cs.LG
CoRA: Boosting Time Series Foundation Models for Multivariate Forecasting through Correlation-aware Adapter
East China Normal University(东华师范大学);Huawei Noah’s Ark Lab(华为诺亚实验室)
本文提出CoRA,一种轻量级插件式方法,通过捕捉不同类型的相关性提升多变量时间序列预测性能,采用低秩时间变化和时间不变成分分解相关矩阵,并引入双对比学习方法。
2026-03-23 cs.AI cs.LG
Correlation-Aware Reconstruction for Multivariate Time Series Anomaly Detection
Monash University(莫纳什大学);University of New South Wales(新南威尔士大学)
本研究针对多变量时间序列异常检测中跨通道异常检测率低的问题,提出CARMA模型,通过双潜在空间设计提升性能,在TSB-AD-M基准上显著优于29种基线方法,VUS-PR达0.4929。
2026-10-14 cs.LG
Unicorn: Scaling High-Dimensional Time Series Forecasting via Universal Correlation Modeling
MoE Key Lab of Artificial Intelligence(人工智能大规模并行计算实验室);AI Institute(人工智能研究院);School of Computer Science(计算机科学学院);Shanghai Jiao Tong University(上海交通大学)
提出Unicorn框架,通过潜在原型码本解耦相关性建模与特定通道身份,实现跨异构数据集的可扩展多数据集预训练,在少样本迁移场景中显著优于现有模型。
2026-05-26 cs.AI cs.LG
VE: Modeling Multivariate Time Series Correlation with Variate Embedding
Swinburne University of Technology(斯威本科技大学);Zhejiang University(浙江大学)
针对现有通道独立类模型难以捕捉多变量时间序列相关性的问题,提出变量嵌入(VE)流程,结合MoE与LoRA技术,可集成到带CI最终投影层的模型中,在四个常用数据集上验证了预测性能提升效果。
2024-10-31 cs.LG
VCformer: Variable Correlation Transformer with Inherent Lagged Correlation for Multivariate Time Series Forecasting
College of Computer Science and Software Engineering, Shenzhen University(深圳大学计算机与软件学院);National Engineering Laboratory for Big Data System Computing Technology, Shenzhen University(深圳大学国家大数据系统计算技术工程实验室)
本文提出 VCFormer,通过可整合滞后互相关的 VCA 模块与基于 Koopman 理论的 KTD 模块,同时建模变量关系和时间依赖,并在八个真实数据集上达到先进预测性能。
2024-05-19 cs.AI cs.LG
Correlation-aware Spatial-Temporal Graph Learning for Multivariate Time-series Anomaly Detection
La Trobe University(拉筹伯大学);Monash University(莫纳什大学);Griffith University(格里菲斯大学)
提出CST-GL方法,通过显式建模变量间成对相关性并利用时空图神经网络,实现多元时间序列异常的有效检测与早期预警。
2023-11-16 cs.LG
Double-Path Adaptive-correlation Spatial-Temporal Inverted Transformer for Stock Time Series Forecasting
School of Intelligence Science and Technology(智能科学与技术学院);Computational Intelligence Laboratory(计算智能实验室);National Key Laboratory of General Artificial Intelligence(通用人工智能全国重点实验室);Key Laboratory of Machine Perceptron (MOE)(教育部机器感知重点实验室)
针对股票预测缺乏固定空间关系的问题,提出DPA-STIFormer模型,通过以特征变化为token并采用双向自适应融合与双路径门控机制全面提取动态空间信息,在四个数据集上取得SOTA结果。
2024-09-24 cs.AI cs.LG