Parsimonious Modeling of Periodic Time Series Using Fourier and Wavelet Techniques
本文针对周期性金融时间序列中传统PGARCH和PACD模型参数过多的问题，提出基于傅里叶和小波的方法，构建更简约的模型并提升预测效率，通过模拟与数据分析验证其有效性。
2025-05-09 stat.ME
A Structural-Factor Approach to Modeling High-Dimensional Time Series and Space-Time Data
本文考虑了一种结构因子方法来建模高维时间序列和时空数据，通过将单个序列分解为趋势，季节和不规则分量。为了便于分析许多时间序列，我们采用时间多项式的趋势，三角级数的线性组合的季节性成分，和一个新的因子模型的不规则成分。新的因子模型可以简化建模过程，实现参数化的简约性。我们提出了一个贝叶斯信息准则（BIC）一致地确定多项式趋势的顺序和三角函数的数量。检验统计量用于确定公因子的数量。在时间序列的个数随着样本量的增大而趋于无穷大的条件下，给出了趋势分量、季节分量和检验统计量极限分布估计的收敛速度，但收敛速度较慢.我们使用模拟研究所提出的分析在有限样本的性能，并将所提出的方法应用到两个真实的例子。第一个例子考虑建模每周PM $_{2.5}$数据的15个监测站在台湾南部地区和第二个例子包括每月价值加权回报的12个工业投资组合。
2019-03-17 stat.ME
SLANTS: Sequential Adaptive Nonlinear Modeling of Vector Time Series
提出了一种矢量时间序列数据的自适应非线性序贯建模方法。数据被建模为被噪声破坏的过去值的非线性函数，并且假设潜在的非线性函数在样条基中是近似可扩展的。我们将数据建模转化为在多维样条基的线性跨度中找到一个良好的拟合表示，并使用l1惩罚正则化的变体来降低表示的维数。使用自适应滤波技术，我们设计了我们的在线算法，自动调整的基础参数的正则化顺序预测误差的最小化。我们证明了所提出的方法在合成和真实世界的数据集上的通用性和灵活性。此外，我们分析研究我们的算法的性能，通过获得两个界的预测误差，和变量选择的一致性结果。
2016-10-15 stat.ME
Modeling Nonstationary Time Series using Locally Stationary Basis Processes
平稳模型的估计和预测方法在经典的时间序列分析中是众所周知的。然而，平稳性是一种理想化，在实践中，它最多只能作为一种近似值，但对于许多时间序列来说，这可能是一个不切实际的假设。我们定义了一类局部平稳过程，它可以导致更准确的不确定性量化，使一个无效的假设平稳。这类过程假设模型参数是时变的，并根据基函数的变换对其进行参数化，以确保过程是局部平稳的。我们开发的参数估计在这一类模型的方法和理论，并提出了一个测试，使我们能够检查某些偏离平稳性。我们评估我们的方法使用模拟研究，并将这些技术应用于分析脑电图时间序列。
2021-06-07 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
Whole-Volume Clustering of Time Series Data from Zebrafish Brain Calcium Images via Mixture Modeling
钙是神经信号事件中普遍存在的信使。越来越多的技术通过与钙离子结合的发光蛋白质使动物模型中的神经活动可视化成为可能。这些技术产生大量的空间相关的时间序列。提出了一种基于模型的功能数据分析方法，通过高斯混合数据的聚类，从这样的可视化提出。该方法在理论上是合理的，并提出了一种计算效率高的估计方法。最后给出了一个斑马鱼成像实验的实例分析。
2017-02-28 stat.ME
Modeling Multivariate Time Series with Copula-linked Univariate D-vines
本文提出了一种新的多元时间序列模型Copula-linked univariate D-vines（CuDvine），它可以同时对多元时间序列的时间依赖和截面依赖进行基于Copula的建模。为了构建CuDvine，我们首先基于D-vine构建半参数单变量D-vine时间序列模型（uDvine）。uDvine将现有的基于一阶Copula的马尔可夫链模型推广到任意阶的马尔可夫链。在uDvine的基础上，我们通过连接多个uDvine来构建CuDvine。作为一个简单易行的模型，CuDvine为时间序列的边缘行为和时间依赖性提供了灵活的模型，也可以为高维应用提供复杂的横截面依赖性，如时变和时空依赖性。鲁棒性和计算效率高的程序，包括一个连续的模型选择方法和一个两阶段的极大似然估计，提出了模型估计和推理，并研究了它们的统计特性。数值实验证明了CuDvine的灵活性，并检验了顺序模型选择过程和两阶段极大似然估计的性能。澳大利亚电价数据的实际应用表明，CuDvine的性能优于传统的多元时间序列模型。
2020-12-01 stat.ME
Modeling large dimensional matrix time series with partially known and latent factors
本文通过在矩阵因子模型中引入回归项，提出一种融合已知因子与潜在因子的高维矩阵时间序列建模方法，并给出收敛速率及实证验证。
2024-11-25 stat.ME
High-dimensional vector autoregressive time series modeling via tensor decomposition
经典的向量自回归模型是多元时间序列分析的基本工具。然而，当时间序列的数量和滞后阶数甚至是中等大的时候，它涉及太多的参数。本文提出将模型的转移矩阵重新排列成张量形式，通过张量分解，可以同时沿三个方向限制参数空间。相比之下，降秩回归方法只能在一个方向上限制参数空间。除了实现大幅降维，所提出的模型是可解释的因素建模的角度来看。此外，为了处理高维时间序列，本文考虑对因子矩阵施加稀疏性，以提高模型的可解释性和估计效率，从而导致稀疏诱导估计。对于低维的情况下，我们推导出所提出的最小二乘估计的渐近性质，并介绍了一个交替最小二乘算法。对于高维情形，我们建立了稀疏诱导估计的非渐近性质，并提出了正则化估计的ADMM算法。仿真实验和一个真实数据的例子表明，所提出的方法的优点，各种现有的方法。
2020-11-03 stat.ME
Supervised Factor Modeling for High-Dimensional Linear Time Series
本文针对高维线性时间序列，基于Tucker分解对无穷阶VAR系数矩阵施加低秩结构，提出监督因子模型及秩约束组Lasso估计，并设计交替梯度下降算法，通过模拟和实际数据验证其优势。
2023-12-01 stat.ME
High-dimensional Autoregressive Modeling for Time Series with Hierarchical Structures
Department of Statistics and Actuarial Science, University of Hong Kong（香港大学统计及精算学系）
本文提出一种结合监督学习与无监督因子建模的高效自回归模型，用于处理高维时间序列中的分层结构数据，通过普通最小二乘估计和提升方法进行参数选择，通过仿真和Personality-120数据集验证方法有效性。
2026-11-03 stat.ME
Emperical Study on Various Symmetric Distributions for Modeling Time Series
本研究针对含突变结构变化的时间序列建模评估多种对称分布，发现Pearson type VII和扩展Laplace模型通用性与可靠性更强，广义Laplace分布表现相近，混合模型潜力足但稳定性弱，模型选择需结合数据特征与目标。
2024-12-10 stat.CO stat.ME
Nonlinear Time Series Modeling: A Unified Perspective, Algorithm, and Application
本文提出了一种新的非线性时间序列分析和建模的综合方法。我们引入了新的数据特定的中间分布的勒让德多项式（LP）的原始时间序列Y（t），使我们能够适应所有现有的平稳线性高斯时间序列建模策略，并使其适用于非高斯和非线性过程中的鲁棒的方式。本文的重点是经验时间序列建模通过算法LPTime。我们使用1963年1月2日至2009年12月31日之间的标准普尔500指数日收益率数据证明了我们的理论框架的有效性。我们提出的LPTime算法系统地发现所有的“程式化的事实”的金融时间序列自动一次，这是以前注意到许多研究人员一次一个。
2017-12-24 math.ST stat.AP stat.ME
Modeling Multivariate Positive-Valued Time Series Using R-INLA
在本文中，我们描述了快速贝叶斯统计分析的向量正值时间序列，有趣的金融数据流的应用。我们讨论了一个灵活的水平相关模型（LCM）的框架，建立向量正值时间序列的层次模型。LCM允许我们结合正值分量响应的边缘Γ分布，同时考虑潜在水平上分量之间的关联。我们通过R-INLA包使用集成嵌套拉普拉斯近似（INLA）进行快速近似贝叶斯建模，构建自定义函数来处理此设置。我们使用所提出的方法来模拟几个股票指数的已实现波动率之间的相互依赖关系。
2022-07-02 q-fin.CP q-fin.ST stat.ME
Modeling of Multisite Precipitation Occurrences Using Latent Gaussian-based Multivariate Binary Response Time Series
建立了一个新的多点观测日降水过程的随机模式。模型的概念是用指示函数和多元高斯分布的椭圆形状来表示日降水发生的联合概率。通过使用这个概念，所需的降水发生建模的参数的数量可以大大减少时，常用的两个状态的马尔可夫链的方法相比。通过这种参数的减少，模拟不同地点观测到的日降水发生过程的时空依赖性不再困难。一个说明性的应用程序，使用的降水记录从网络的10个雨量计在魁北克省南部地区的结果，也证明了所提出的模型的准确性和可行性。
2020-03-18 stat.AP stat.ME
Multivariate time-series modeling with generative neural networks
University of Waterloo（滑铁卢大学）
提出了一种基于生成矩匹配网络的多变量时间序列联合新息分布相关模型。针对MTS数据相关性建模的Copula-Gestival方法，提出了一种基于GMMN-Gestival方法的建模框架。首先，ARMA-GARCH模型被用来捕捉每个单变量边际时间序列内的序列相关性。其次，如果边缘时间序列的数量是大的，主成分分析（PCA）被用作降维步骤。最后，其余的横截面依赖性是通过GMMN建模，这项工作的主要贡献。GMMN是高度灵活的，易于模拟，这是一个主要的优势，copula-Gesthem方法。涉及收益率曲线建模和外汇汇率收益率分析的应用表明了GMMN-Gestern方法的实用性，特别是在产生更好的经验预测分布和做出更好的概率预测方面。
2021-10-01 cs.LG stat.ME stat.ML
Modeling Interval Trendlines: Symbolic Singular Spectrum Analysis for Interval Time Series
在这篇文章中，我们提出了一个扩展的奇异谱分析的区间值时间序列。所提出的方法可以用来分解和预测集值随机过程的动力学。区间时间序列被分解的结果分量可以被理解为区间趋势线、周期或噪声。预测可以通过线性递归方法进行，我们设计了多变量设置的分解方法的概括。所提出的方法的性能展示在模拟研究。我们应用所提出的方法，以跟踪动态管理阿根廷股市（MERVAL）在实时，在一个案例研究，涵盖了最近一段时间的动荡，导致阿根廷政府与国际货币基金组织的讨论。
2020-11-08 stat.AP stat.ME
Foundations of Sequence-to-Sequence Modeling for Time Series
Google Research（谷歌研究院）；Massachusetts Institute of Technology（麻省理工学院）
大量时间序列数据的可用性，以及深度学习算法在广泛问题上的性能，最近引起了人们对使用序列到序列模型进行时间序列预测的极大兴趣。我们提供了这个时间序列预测框架的第一个理论分析。我们包括序列到序列建模与经典时间序列模型的比较，因此我们的理论可以作为从业者在不同建模方法之间选择的定量指南。
2019-02-26 cs.AI cs.LG stat.ML
Joint Modeling of Multiple Related Time Series via the Beta Process
我们提出了一个贝叶斯非参数方法来联合建模多个相关的时间序列的问题。我们的方法是基于一组潜在的，共享的动力学行为的发现。使用beta过程先验，集合的大小和共享模式都是从数据中推断出来的。我们开发了有效的马尔可夫链蒙特卡罗方法的基础上，印度自助餐过程表示的预测分布的β过程，而不依赖于截断模型。特别是，我们的方法使用的和-积算法来有效地计算大都会黑斯廷斯接受概率，并通过出生和死亡的建议，探索新的动力学行为。我们研究了我们提出的基于特征的模型在几个合成数据集上的好处，并在视觉运动捕捉数据的无监督分割上展示了有希望的结果。
2011-11-17 stat.ME stat.ML
A copula approach for dependence modeling in multivariate nonparametric time series
本文研究了在可能包含时间序列过去值的协变量存在的情况下，两个（或多个）时间序列的相关结构的建模问题。我们假设协变量只影响每个时间序列的条件均值和条件方差，但标准化新息的分布不受协变量的影响，并且在时间上是稳定的。联合分布的时间序列，然后确定的条件均值，条件方差和边缘分布的创新，我们估计nonparametrically，和copula的创新，它代表的依赖结构。我们考虑一个非参数以及半参数估计的基础上估计残差。我们表明，在适当的假设下，这些copula估计是渐近等价的估计，将基于未观察到的创新。通过仿真和实际数据的例子说明了理论结果。
2018-12-10 math.ST stat.ME stat.TH
Modeling of Volatility with Non-linear Time Series Model
本文利用非线性时间序列模型来描述金融时间序列数据的波动性。为了描述波动性，将两个非线性时间序列组合成具有非对称条件异方差误差项的门限自回归模型（TAR），并对其参数估计进行了研究。
2014-07-03 math.PR math.ST q-fin.ST
Modeling Regime Shifts in Multiple Time Series
University of Sherbrooke（舍布鲁克大学）；University of Quebec at Montreal（魁北克大学蒙特利尔分校）
我们调查的问题，发现和建模政权转移的生态系统包括多个时间序列称为共同发展的时间序列。区系转换是指序列在不同时间间隔内表现出的变化行为。学习这些变化的行为是时间序列预测的关键一步。虽然已经取得了进展，但现有方法存在以下缺点中的一个或多个：（1）未能考虑时间序列之间的关系以发现多个时间序列中的状态;（2）缺乏对序列所表现出的时间依赖行为进行建模的有效方法;（3）难以处理可能是信息性的数据不连续性。现有的大多数方法无法在一个统一的框架内处理这三个问题。因此，这促使我们努力设计一个原则性的方法来建模相互作用和时间依赖性的共同发展的时间序列。具体来说，我们通过将大量的时间序列集合总结成一个更轻、更有意义的结构（称为\textit{mapping grid}）来对多个时间序列的生态系统进行建模。通过使用映射网格，我们的模型首先通过动态网络表示来学习时间序列行为依赖关系，然后通过完全时间依赖的Cox回归模型来学习状态转换机制。我们的方法的独创性在于在政权识别的时间序列之间的相互作用建模和建模时间依赖的政权转移概率，通常假设是静态的现有工作。
2022-05-13 cs.LG stat.ML
Joint modeling of multiple time series via the beta process with application to motion capture segmentation
我们提出了一个贝叶斯非参数方法来联合建模多个相关的时间序列的问题。我们的模型发现了一组潜在的动态行为之间共享的序列，并分段每个时间序列到这些行为的子集所定义的区域。使用beta过程先验，行为集的大小和共享模式都是从数据中推断的。我们开发的马尔可夫链蒙特卡罗（MCMC）方法的基础上，印度自助餐过程表示的预测分布的β过程。我们的MCMC推理算法通过新颖的拆分-合并移动以及数据驱动的出生和死亡建议有效地添加和删除行为，避免了考虑截断模型的需要。我们在人体运动捕捉数据的无监督分割方面取得了可喜的成果。
2014-11-13 stat.ME stat.ML
Network Modeling of Asynchronous Change-Points in Multivariate Time Series
本文提出一种基于潜在有向图和分层先验的贝叶斯方法，用于检测多元时间序列中的异步变点及其领先-滞后网络结构，并在模拟与地震学、神经病学真实数据中验证了其优于竞争方法的性能。
2025-08-27 stat.AP stat.ME
Linear, Machine Learning and Probabilistic Approaches for Time Series Analysis
Ivan Franko National University of Lviv（利沃夫伊万·弗兰科国立大学）
在本文中，我们研究了时间序列建模的不同方法。介绍了线性模型、ARIMA算法、XGBoost机器学习算法的预测方法。显示了不同模型组合的结果。对于概率建模的方法，使用Copula和贝叶斯推断被认为是。
2017-02-26 cs.LG stat.AP stat.ME
Sparse-GEV: Sparse Latent Space Model for Multivariate Extreme Value Time Serie Modeling
University of Southern California（南加州大学）；IBM T.J. Watson Research Center（IBM T.J. Watson研究中心）
在时间序列模型的许多应用中，如气候分析、社交媒体分析等，我们往往对极端事件感兴趣，如热浪、阵风、突发话题等。这些时间序列数据通常呈现重尾分布而不是高斯分布。由于对数据分布的假设差异很大，而且缺乏足够的极端事件过去数据，这对现有方法构成了巨大挑战。在本文中，我们提出了Sparse-GEV模型，一个潜在的状态模型的基础上的极值建模理论，自动学习稀疏的时间依赖性，并作出预测。我们的模型是理论上有意义的，因为它是第一个模型，学习稀疏的时间依赖性之间的多元极值时间序列。我们证明了我们的算法的性能优越的国家的最先进的方法，包括格兰杰因果关系，copula方法和转移熵，一个合成数据集，一个气候数据集和两个Twitter数据集。
2012-06-18 cs.LG stat.AP stat.ME
Latent Gaussian dynamic factor modeling and forecasting for multivariate count time series
针对多元高维计数时间序列，提出基于潜高斯动态因子变换的建模方法，利用二阶性质与主成分分析估计参数并证明理论一致性，结合 Kalman 滤波与序贯 Monte Carlo 实现预测。
2025-04-03 econ.EM stat.ME
ST-MTM: Masked Time Series Modeling with Seasonal-Trend Decomposition for Time Series Forecasting
Ulsan National Institute of Science and Technology（乌山国立科学技术研究院）
ST-MTM提出基于季节-趋势分解的掩码时间序列建模框架，通过周期掩码和子序列掩码分别处理季节与趋势分量，并结合对比学习，在时间序列预测中取得优于现有方法的性能。
2025-06-13 cs.AI cs.LG stat.ML
Effective Bayesian Modeling of Groups of Related Count Time Series
计数的时间序列出现在各种预测应用中，传统的模型通常不适用于这些应用。本文介绍了一种分层贝叶斯公式适用于计数时间序列，可以很容易地解释变量和相关的时间序列组之间共享统计强度。我们推导出一个有效的近似推理技术，并说明其性能的数据集从供应链计划。
2014-05-15 stat.AP stat.ML
BNB autoregressions for modeling integer-valued time series with extreme observations
本文介绍了一种通用的重尾自回归模型，用于建模具有异常值的整数值时间序列。拟议的规范基于负二项分布的重尾混合，其特征是条件期望的观察驱动动态方程。在一般的压缩条件下，证明了一类自回归过程的唯一平稳遍历解的存在性。在给出似然函数的封闭形式的情况下，可以很容易地用极大似然法进行模型的估计。给出了估计量的强相合性和渐近正态性。规范的两个例子说明了方法的灵活性和理论结果的相关性。特别地，考虑了条件期望的线性动态方程和分数驱动方程。分数驱动的规范被证明是特别有吸引力的，因为它提供了一个强大的过滤方法，衰减离群值的影响。经验应用的时间序列的毒品贩运报告在悉尼说明了该方法在处理极端观测的有效性。
2019-09-06 math.ST stat.ME stat.TH
Modeling Multiple Irregularly Spaced Financial Time Series
本文通过修改规则间隔的随机波动率模型，提出了适用于不规则间隔金融时间序列的单变量及多元随机波动率模型，并利用 WRDS 的 TAQ 数据库中的医疗板块股票日内对数收益率进行了建模应用。
2023-05-24 stat.AP
Resampling Methods that Generate Time Series Data to Enable Sensitivity and Model Analysis in Energy Modeling
针对能源系统建模中时间序列数据的后解分析需求，提出两种高效非参数自举方法生成可信时间序列，还探索了序列扰动技术，所生成序列适用于鲁棒性等分析，且具跨领域应用潜力。
2025-02-12 stat.CO
ARMA Time-Series Modeling with Graphical Models
Microsoft Research（微软研究院）
我们将经典的ARMA时间序列模型表示为有向图模型。在这样做的时候，我们发现，在模型中的确定性关系，使它有效地不可能使用的期望最大化算法学习模型参数。为了解决这个问题，我们用具有小方差的高斯分布代替确定性关系，得到随机ARMA（ARMA）模型。这种修改允许我们使用期望最大化算法来学习参数和预测，即使在某些数据丢失的情况下。这种修改，结合graphicalmodel的方法，也使我们能够包括交叉预测的情况下，有多个时间序列和/或额外的nontemporal协变量。更令人惊讶的是，实验表明，移动到随机ARMA通过更好的平滑产生更高的精度。我们证明了交叉预测和更好地平滑真实数据所带来的改进。
2012-08-08 cs.LG stat.AP stat.ME
Spliced Binned-Pareto Distribution for Robust Modeling of Heavy-tailed Time Series
AWS ProServe（亚马逊云科技专业服务）；Amazon Research（亚马逊研究院）
本文提出了一种新的方法，在非平稳的情况下，鲁棒和准确地建模具有重尾噪声的时间序列。在许多实际应用中，时间序列具有严重影响经典预测模型性能的重尾噪声;特别地，精确地建模极端事件的分布对于执行精确的时间序列异常检测至关重要。我们提出了一个拼接Binned-Pareto分布，它既对极端观测具有鲁棒性，又允许对全分布进行精确建模。我们的方法允许捕获的时间依赖性的高阶矩的分布，如尾部沉重。我们比较了我们的方法的尾部估计的鲁棒性和准确性，以其他国家的最先进的方法在Twitter上提到计数时间序列。
2022-07-29 cs.LG stat.CO stat.ML
PSO-MISMO Modeling Strategy for Multi-Step-Ahead Time Series Prediction
多步时间序列预测是时间序列建模与预测领域中最具挑战性的研究课题之一，一直处于研究之中。最近，多输入多输出（MISMO）建模策略已被提出作为一个有前途的替代多步提前时间序列预测，表现出的优势相比，目前的两个主要策略，迭代和直接的策略。建立在已建立的MISMO策略，本研究提出了一种基于粒子群优化（PSO）的MISMO建模策略，这是能够确定的子模型的数量在一个自适应的模式，具有不同的预测视野。而不是从已建立的MISMO中获得具有相等大小的预测范围的清晰划分，所提出的PSO-MISMO策略，用神经网络实现，采用启发式方法来创建具有不同大小的预测范围的灵活划分，并生成相应的子模型，在模型构建中提供了相当大的灵活性，这已经用模拟和真实数据集进行了验证。
2013-12-31 cs.AI cs.LG cs.NE
Time series modeling by a regression approach based on a latent process
Compiègne University of Technology（贡比涅技术大学）；French National Institute for Transport and Safety Research (INRETS)（法国国家运输与安全研究所（INRETS））
时间序列用于许多领域，包括金融、工程、经济和生物信息学，通常用于表示测量随时间的变化。然后，可以使用建模技术来给出这种数据的合成表示。提出了一种新的时间序列建模方法。它包括一个回归模型，其中包含一个离散的隐藏逻辑过程，允许平滑或突然激活不同的多项式回归模型。通过专用期望最大化（EM）算法执行的极大似然方法估计模型参数。期望最大化算法的M步使用多类迭代重加权最小二乘（IRLS）算法来估计隐藏的过程参数。为了评估所提出的方法，模拟数据和真实世界的数据进行了实验研究，使用两种替代方法：异方差分段回归模型，使用基于动态规划的全局优化算法，和隐马尔可夫回归模型，其参数估计的鲍姆-韦尔奇算法。最后，在法国铁路基础设施的组件的远程监控的背景下，更特别的开关机制，所提出的方法已被应用到建模和分类的时间序列表示在开关操作过程中获得的条件测量。
2013-12-25 cs.LG math.ST stat.ME
An Introductory Study on Time Series Modeling and Forecasting
时间序列建模与预测在各个实际领域都具有重要意义。近年来，国内外学者对这一课题进行了大量的研究。为了提高时间序列预测的准确性和有效性，文献中提出了许多重要的模型。本论文工作的目的是提出一个简明的描述，在实践中使用的一些流行的时间序列预测模型，其显着特点。在这篇论文中，我们描述了三种重要的时间序列模型，即随机模型、神经网络模型和支持向量机模型，以及它们固有的预测优点和缺点。我们还讨论了与时间序列建模相关的基本问题，如平稳性，简约性，过拟合等。我们对不同的时间序列模型的讨论是通过给出实验预测结果来支持的，在六个实时的序列数据集上进行。在将模型拟合到数据集时，要特别注意选择最简约的模型。为了评估预测的准确性，以及比较不同的模型拟合到一个时间序列，我们使用了五个性能指标，即MSE，MAD，RMSE，MAPE和Theil的U统计。对于六个数据集中的每一个，我们都显示了所获得的预测图，该图以图形方式描绘了原始观测值和预测观测值之间的接近程度。为了在我们关于时间序列建模和预测的讨论中具有真实性和清晰性，我们采取了来自知名期刊和一些标准书籍的各种已发表的研究作品的帮助。
2013-02-26 cs.LG stat.ML
Sines, steps and droplets: Semiparametric Bayesian modeling of arrival time series
我描述了正在进行的工作，发展贝叶斯方法灵活建模的到达时间序列数据，没有装箱，旨在提高检测和测量的X射线和伽玛射线暴，脉冲在伽马射线暴。该方法使用参数和半参数泊松点过程模型的事件率，并通过设计有密切的联系，目前在时域天文学中使用的传统的频率论方法。
2012-01-19 astro-ph.IM stat.AP
Does Restraining End Effect Matter in EMD-Based Modeling Framework for Time Series Prediction? Some Experimental Evidences
基于经验模式分解（EMD）的建模框架遵循“分解-集成”原则，被广泛应用于非线性和非平稳时间序列的建模和预测。在EMD的筛选过程中存在端点效应，它容易使分解后的子序列失真，影响建模过程，但在以往的研究中却被忽略了。针对端部效应问题，本研究提出将端部条件方法纳入基于EMD的分解和集成建模框架，用于一步和多步提前时间序列预测。四个完善的结束条件的方法，镜像方法，Coughlin的方法，基于斜率的方法，和Rato的方法，被选中，和支持向量回归（SVR）作为建模技术。为了论证和比较的目的，使用了著名的NN 3竞争数据集，并选择了四个成熟的预测模型作为基准。实验结果表明，提出的基于经验模态分解的支持向量回归机模型与末端条件方法可以实现显着的改善。特别是EMD-SBM-SVR模型和EMD-Rato-SVR模型，在预测措施的优度和竞争预测测试的准确性方面取得了最好的预测性能。
2014-01-11 cs.AI stat.AP
Towards Cross-Modality Modeling for Time Series Analytics: A Survey in the LLM Era
S-Lab, Nanyang Technological University, Singapore（南洋理工大学S实验室）；Aalborg University, Denmark（奥尔堡大学）；University of Cologne, Germany（科隆大学）；SenseTime Research, China（SenseTime研究院）
该综述系统梳理了LLM时代时间序列分析的跨模态建模方法，提出基于文本数据类型的四类分类法，总结对齐与融合等关键策略，并通过多模态实验验证有效组合，为未来研究指明方向。
2025-05-05 cs.LG stat.ML
Multi-fidelity surrogate modeling for time-series outputs
本文研究了当编码输出为时间序列时，在多保真度框架下对复杂数字编码的代理建模问题。通过对低、高保真码级的试验设计，提出了一种原始高斯过程回归方法。代码输出是在试验设计的基础上扩展的。代码输出的扩展的第一系数由协同克里金方法处理。最后的系数共同处理的克里金方法与协方差张量。由此产生的代理模型考虑到基础建设中的不确定性，具有更好的性能，在预测误差和不确定性量化比标准的降维技术。
2022-02-23 math.ST stat.TH
Routine Modeling with Time Series Metric Learning
Orange Labs（Orange实验室）；LIRIS（里昂信息与图像系统实验室）；CNRS（法国国家科学研究中心）；INSA-Lyon（里昂国立应用科学学院）
传统上，人类活动的自动识别是在有限的特定活动集合上利用监督学习算法来执行的。这项工作提出了识别经常性的活动模式，称为例程，而不是精确定义的活动。例程的建模被定义为一个度量学习问题，并提出了一个架构，称为SS2S，基于序列到序列模型来学习时间序列之间的距离。这种方法仅依赖于惯性数据，因此是非侵入性的，并保护隐私。实验结果表明，提供学习距离的聚类算法能够恢复日常惯例。
2019-07-08 cs.AI cs.LG stat.ML
Surrogate Modeling for Explainable Predictive Time Series Corrections
Software Competence Center Hagenberg（哈根贝格软件能力中心）
本文提出一种局部替代方法，通过修正经典时间序列基础模型的预测结果，揭示模型参数差异以提高可解释性，并通过实例展示方法发现数据潜在模式的能力。
2026-06-29 cs.LG stat.ML
ALPS: A Unified Framework for Modeling Time Series of Land Ice Changes
时间序列建模是冰冻圈科学的一个研究热点，这是由于所研究事件的复杂性和多尺度性。从不同传感器以不同的准确度对测量结果进行高度不均匀的采样，这对于冰盖高程的测量来说是典型的，这使得问题更具挑战性。在本文中，我们提出了一个基于样条的近似框架（ALPS -近似局部惩罚样条）的陆地冰变化的时间序列建模。B样条基函数的局部化支持使得对非均匀采样具有鲁棒性，这比其他全局和分段局部模型有相当大的改进。通过基于离散坐标差的惩罚和两级离群值检测等功能，ALPS进一步保证了近似的稳定性和质量。ALPS将严格的模型不确定性估计与所有近似值结合起来。如通过实例所示，ALPS表现良好的各种数据集，包括时间序列的冰盖厚度，海拔，速度和终端位置。对时间序列及其衍生物的稳健估计促进了新的应用，例如通过将冰盖厚度变化的稀疏采样时间序列与模拟的积雪厚度变化相融合，重建高分辨率的海拔变化记录，以及分析不同出口冰川观测之间的关系，以获得对过程和强迫的新认识。
2020-07-09 stat.AP
Trajectory Flow Matching with Applications to Clinical Time Series Modeling
McGill University（麦吉尔大学）；Mila - Quebec AI Institute（米拉-魁北克人工智能研究所）；Yale School of Medicine（耶鲁医学院）；School of Clinical Medicine, University of Cambridge（剑桥大学临床医学院）；Université de Montréal（蒙特利尔大学）；CIFAR（加拿大高级研究院）
本文提出轨迹流匹配（TFM）方法，以无仿真方式训练神经常微分方程，避免通过动力学反向传播，从而提升训练稳定性和可扩展性，并在三个临床时间序列数据集上取得更优的性能和不确定性预测。
2025-02-04 cs.AI cs.LG stat.ML
CrossAD: Time Series Anomaly Detection with Cross-scale Associations and Cross-window Modeling
East China Normal University（东华大学）；Shandong Inspur Database Technology Co., Ltd.（山东 Inspur 数据库技术有限公司）
CrossAD提出跨尺度重构与查询库机制，显式建模跨尺度关联并融入全局多尺度上下文，突破固定窗口限制，在多个真实数据集上以九种指标达到最先进异常检测性能。
2025-10-14 cs.LG stat.ML
Interval Forecasting of Electricity Demand: A Novel Bivariate EMD-based Support Vector Regression Modeling Framework
在电力系统规划和运行决策中，高精度的电力需求区间预测是通过提供范围而不是点估计来成功降低风险的基础。在这项研究中，一种新的建模框架集成双变量经验模式分解（BEMD）和支持向量回归（SVR），扩展了成熟的经验模式分解（EMD）为基础的时间序列建模框架的能源需求预测文献，提出了电力需求的区间预测。本研究的新颖性来自就业BEMD，一个新的扩展经典经验模型分解（EMD）注定要处理二元时间序列作为复值时间序列，作为分解方法，而不是经典的EMD只能分解一维单值时间序列。该建模框架被赋予BEMD同时分解的下限和上限的时间序列，构建在复值时间序列的形式，电力需求每月每小时的基础上，从而捕捉潜在的相互关系的下限和上限。建议的建模框架是合理的，每月间隔值的电力需求数据每小时在宾夕法尼亚州新泽西州马里兰州互联，表明它是一个很有前途的方法，区间值的电力需求预测。
2014-06-15 cs.LG stat.AP
Inductive Granger Causal Modeling for Multivariate Time Series
Alibaba Group（阿里巴巴集团）
Granger因果模型是一个新兴的研究课题，它能够揭示多元时间序列数据背后的Granger因果关系。在许多现实世界的系统中，经常会遇到从具有共享共性的不同个体收集的大量多变量时间序列数据。然而，有持续关注格兰杰因果关系的适用性，在这样的大规模复杂的情景，提出了挑战和机会，格兰杰因果结构重建。现有的方法通常为每个个体训练不同的模型，存在低效率和过拟合问题。为了弥合这一差距，我们提出了一个归纳格兰杰因果关系建模（InGRA）框架的归纳格兰杰因果关系学习和共同的因果结构检测多变量时间序列，利用共享的共性，不同的个人。特别地，我们通过一种新的注意力机制（称为原型Granger因果注意力）为具有不同Granger因果结构的个体训练一个全局模型。该模型可以检测不同个体的共同因果结构，并推断新来个体的格兰杰因果结构。大量的实验以及在电子商务广告平台上的在线A/B测试证明了InGRA的优越性能。
2021-02-10 cs.LG stat.ML
High dimensional regression for regenerative time-series: an application to road traffic modeling
一个统计预测模型，其中一个高维时间序列再生在每天结束时被用来模拟道路交通。由于再生，预测是基于使用向量自回归模型的每日建模，该模型线性组合了当天的过去观测。由于高维，学习算法遵循回归系数的L1惩罚。在路段数随观测天数趋于无穷大的高维框架下建立了超额风险边界。考虑到浮动汽车在城市地区观察到的数据，该方法相比，国家的最先进的方法，包括神经网络。除了在预测方面具有很强的竞争力外，它还可以识别道路网络中最具决定性的路段。
2021-01-26 math.ST stat.ML stat.TH
Modeling Latent Non-Linear Dynamical System over Time Series
SANKEN, Osaka University（大阪大学SANKEN（大阪大学蛋白质研究所））
针对时间序列非线性动力系统建模缺乏长期时间依赖整合的问题，本文提出LaNoLem方法，通过引入潜在状态解决循环依赖，以交替最小化估计参数并控制模型复杂度，在动力学估计和预测性能上优于现有模型。
2025-01-27 cs.LG stat.ML
Modeling macroeconomic time series via heavy tailed distributions
它已被证明，一些宏观经济时间序列，特别是那些可能存在异常值，可以很好地模拟使用重尾分布的噪声分量。研究了决定何时和何地应该首选重尾模型的方法。这些调查主要集中在模型识别和选择的自动方法。目前的方法进行了扩展，将一个非高斯选择元素，并检查各种不同的标准，以决定应使用的整体模型。
2007-02-27 math.ST stat.TH
Enhancing Masked Time-Series Modeling via Dropping Patches
Fudan University（复旦大学）；Shanghai Jiao Tong University（上海交通大学）
本文提出 DropPatch 方法，通过随机丢弃子序列级 patches 增强掩码时间序列建模，不仅以平方级优势提升预训练效率，还优化了多场景下的表示学习质量。
2024-12-19 cs.LG stat.ML
Conditional Chow-Liu Tree Structures for Modeling Discrete-Valued Vector Time Series
University of California, Irvine（加州大学尔湾分校）
我们考虑离散值向量时间序列数据的建模问题，使用扩展的Chow-Liu树模型来捕获跨时间的依赖关系和跨变量的依赖关系。作为对标准Chow-Liu树的扩展，引入了条件Chow-Liu树模型，用于建模条件密度而不是联合密度。我们描述了这种模型的学习算法，并展示了它们如何可以用来学习隐马尔可夫模型的输出分布的简约表示。并将这些模型应用于雨量站网逐日降水量的模拟和预报这一重要问题。为了证明模型的有效性，我们比较了它们的性能与一些替代品使用历史降水数据从澳大利亚西南部和美国西部。我们说明了如何的结构和参数的模型可以用来提供一个改进的气象解释这样的数据。
2012-07-11 cs.LG stat.ML
Extract Dynamic Information To Improve Time Series Modeling: a Case Study with Scientific Workflow
Lawrence Berkeley National Laboratory（劳伦斯伯克利国家实验室）；Stanford University（斯坦福大学）；SLAC National Accelerator Laboratory（SLAC国家加速器实验室）
在对时间序列数据建模时，经常需要对已有的数据记录进行扩充以提高建模精度。在这项工作中，我们描述了一些技术来提取动态信息的当前状态的一个大型的科学工作流程，这可以推广到其他类型的应用程序。要建模的特定任务是将文件从实验设施传输到数据中心所需的时间。我们的方法的关键思想是找到最近的过去的数据传输事件，在某些方面匹配的当前事件。测试表明，我们可以识别最近的事件匹配一些记录的属性，并减少约12%的预测误差相比，只有静态特征的类似模型。我们还探索了一种特定于应用程序的技术来提取有关数据生产过程的信息，并能够将平均预测误差降低44%。
2022-05-19 cs.DC cs.LG cs.PF
