A Case-Study on the Impact of Dynamic Time Warping in Time Series Regression
University College Dublin(都柏林大学学院)
众所周知,动态时间规整(DTW)在揭示不完全对齐的时间序列之间的相似性方面是有效的。在本文中,我们说明了光谱时间序列数据。我们表明,DTW是有效的,在回归任务时,只有一个单一的波长被认为是提高精度。当与k-最近邻结合时,DTW具有额外的优点,即它可以在时间序列的水平上揭示样本之间的相似性和差异。然而,在这个问题中,我们认为这里的数据可以在波长的光谱中获得。如果在许多波长上使用聚合统计(均值、方差),DTW的优势就不再明显。我们将此作为大数据在机器学习中胜过复杂模型的另一个例子。
2020-10-11 cs.LG stat.ML
Neural Time Warping For Multiple Sequence Alignment
Toyota Central R&D Labs. Inc.(丰田中央研发实验室)
多序列比对(MSA)是时间序列分析中一项传统而又具有挑战性的任务。MSA问题被公式化为离散优化问题,并且通常通过动态规划来解决。然而,计算复杂性相对于输入序列的数量呈指数增加。在本文中,我们提出了神经时间规整(NTW),放松原来的MSA的连续优化,并获得使用神经网络的路线。NTW方法得到的解在较弱的条件下保证是原离散优化问题的可行解。我们的实验结果表明,NTW成功地对齐了100个时间序列,并显着优于现有的方法来解决MSA问题。此外,作为NTW的应用之一,我们给出了一种获得平均时间序列数据的方法。与现有的重心相比,平均时间序列数据保留了输入时间序列数据的特征。
2020-06-29 cs.LG stat.ML
Warping and Matching Subsequences Between Time Series
Dept. of Computer Science, KU Leuven(卢森堡鲁文大学计算机科学系)
针对时间序列比较中缺乏定性结构分析的问题,本文提出一种简化扭曲路径的技术,以突出并可视化子序列间的偏移、压缩和振幅差异等关键变换,从而增强比较的可解释性。
2025-06-18 cs.AI cs.LG stat.ML
Trainable Time Warping: Aligning Time-Series in the Continuous-Time Domain
University of Michigan(密歇根大学)
DTW计算两个信号之间的相似性或对齐,受到时间扭曲。然而,其计算复杂性随着时间序列的数量呈指数增长。虽然已经开发出的算法在时间序列的数量上是线性的,但它们在时间序列长度上通常是二次的。例外的是广义时间扭曲(GTW),它具有线性计算成本。然而,它只能识别简单的时间弯曲函数。需要一种新的快速、高质量的多序列比对算法。我们引入了可训练时间规整(TTW),其复杂度在时间序列的数量和长度上都是线性的。TTW使用sinc卷积核和基于梯度的优化技术在连续时间域中执行对齐。我们比较了TTW和GTW在85个UCR数据集上的时间序列平均和分类。TTW在平均任务的67.1%的数据集上优于GTW,在分类任务的61.2%的数据集上优于GTW。
2019-03-21 cs.AI cs.CC cs.LG
Fast Gradient-Based Approximation of Continuous Dynamic Time Warping
INRIA Rennes(法国国家信息与自动化研究所雷恩中心);IRISA, UMR 6074, CNRS, Université de Rennes(雷恩大学);IRISA, UMR 6074, CNRS, Université de Bretagne Sud(南布列塔尼大学)
本文提出FastCDTW,一种高效的连续动态时间规整近似求解器,含两种计算策略,可适配GPU,集成于时间序列平均、分类等任务验证了优势。
2026-10-12 cs.LG stat.ML
Time Series Classification through Diffeomorphic Time Warping (DiffTW)
Department of Mathematics and Statistics, Portland State University, USA(波特兰州立大学数学与统计学系);The Translational Genomics Research Institute (TGen), USA(转化基因组研究研究院(TGen))
提出DiffTW方法,通过线性输运方程的特征曲线流实现时间序列间的微分同胚变换,基于再生核希尔伯特空间和最优控制学习速度场,在86个数据集上60个优于DTW。
2026-08-07 cs.LG stat.ML
Revisiting Inaccuracies of Time Series Averaging under Dynamic Time Warping
Technische Universität Berlin(柏林工业大学)
本文回顾了\cite{Niennattrakul2007}对动态时间弯曲下时间序列平均误差的分析。作者提出了一个正确的标准,并介绍了漂移的平均值从集群。他们声称,如果平均值不正确或漂移,那么平均值就是不准确的。此外,他们还指出,这种不准确性是由于缺乏三角不等式造成的。我们表明,纠正版本的正确性标准是不可满足的,漂移的概念是几何和操作不确定的。满足三角不等式不足以达到正确性,也不需要克服漂移现象。我们将漂移的概念置于原则性的基础上,并表明作为Fréchet函数的全局最小值的样本均值永远不会漂移。调整后的漂移是一种测试近似一致程度的方法。实证结果表明,解决方案获得的国家的最先进的方法SSG和DBA是不相干的近似样本均值在超过三分之一的所有试验。
2018-09-07 cs.AI cs.LG stat.ML
Making the Dynamic Time Warping Distance Warping-Invariant
Technische Universität Berlin(柏林工业大学);Germany(德国(注意:根据提取规则,国家通常不属于机构粒度,这里仅作为补充信息,实际机构为柏林工业大学))
文献假设动态时间规整(dtw)距离可以处理时间变化,但存储和处理时间序列的形式,如果dtw距离不能处理这样的变化。为了解决这个矛盾,我们首先证明了dtw距离不是翘曲不变的。翘曲不变性的缺乏导致了上面提到的不一致性和奇怪的行为。为了消除这些特性,我们将dtw距离转换为一个扭曲不变的半度量,称为时间扭曲不变(twi)距离。实证结果表明,出错率的twi和dtw最近邻分类实际上是等同的贝叶斯意义上。然而,twi-distance比dtw-distance需要更少的存储和计算时间。这些结果挑战了目前的实践中应用的dtw距离最近的邻居分类,并建议提出的双距离作为一个更有效和一致的选择。
2019-03-08 cs.LG stat.ML
Asymmetric Learning Vector Quantization for Efficient Nearest Neighbor Classification in Dynamic Time Warping Spaces
Technische Universität Berlin(柏林工业大学)
最近邻法和动态时间规整距离是时间序列分类中最常用的方法之一。这种方法对于大型训练集具有高存储和计算要求。为了解决这两个问题,本文将学习矢量量化(LVQ)从欧氏空间扩展到DTW空间。所提出的LVQ方案使用非对称加权平均作为更新规则。实验结果表明,非对称广义LVQ(GLVQ)优于其他国家的最先进的原型生成方法的最近邻分类的性能。
2017-03-24 cs.LG stat.ML
Aligning Time Series on Incomparable Spaces
Centre for Artificial Intelligence(人工智能中心);University College London(伦敦大学学院);Imperial College London(帝国理工学院);Facebook AI Research(Facebook人工智能研究院)
动态时间规整(DTW)是一种用于对齐、比较和组合时间序列的有效方法,但它要求时间序列存在于可比空间中。在这项工作中,我们考虑一个设置中,时间序列生活在不同的空间没有一个合理的地面度量,导致DTW变得不明确。为了缓解这一问题,我们提出了Gromov动态时间规整(GDTW),这是一种潜在不可比空间上的时间序列之间的距离,通过考虑关系内几何来避免可比性要求。我们证明了它的有效性对齐,组合和比较生活在无与伦比的空间的时间序列。我们进一步提出了一个平滑版本的GDTW作为一个可微的损失,并评估其属性在各种设置,包括重心平均,生成建模和模仿学习。
2021-02-22 cs.LG stat.ML
Study of the impact of climate change on precipitation in Paris area using method based on iterative multiscale dynamic time warping (IMS-DTW)
LATMOS/CNRS/UVSQ/Université Paris-Saclay(LATMOS/法国国家科学研究中心/凡尔赛大学/巴黎萨克雷大学)
研究气候变化对降水的影响受到找到一种方法来评估降水变率随时间的演变的限制。由于降水的间歇性和不规则性,经典的方法(基于特征的)在这个问题上表现出了局限性。在本研究中,我们提出了动态时间扭曲方法的一种新变体,该方法基于形状比较量化两个降雨量时间序列之间的差异,用于对以日规模记录的年度时间序列进行聚类。这种基于形状的方法考虑了整个信息(变化性,趋势和不确定性)。我们使用基于特征的方法进一步标记每个聚类。在对巴黎蒙苏里斯地区的时间序列进行检验时,发现巴黎地区降水的变率逐年增加。
2019-10-22 cs.LG physics.ao-ph stat.AP
Accurate shape and phase averaging of time series through Dynamic Time Warping
University of Oslo(奥斯陆大学)
提出了一种基于动态时间规整的时间序列平均方法。与以前的方法相比,我们的算法保留了持续时间的信息和独特的持续时间的序列特征,由于一个简单的转换DTW的输出到一个时间序列和一个创新的迭代平均过程。我们表明,它准确地估计地面真均值序列和平均时间位置的地标在合成和真实世界的数据集,并优于国家的最先进的方法。
2021-09-02 cs.CV cs.IR math.ST
Chatter Detection in Turning Using Machine Learning and Similarity Measures of Time Series via Dynamic Time Warping
Michigan State University(密歇根州立大学);Chemnitz University of Technology(开姆尼茨工业大学)
从传感器信号中检测颤振一直是一个活跃的研究领域。虽然已经报道了使用几种特征化工具和机器学习算法的一些成功,但现有方法具有几个缺点,例如手动预处理和需要大量数据集。在本文中,我们提出了一种替代方法的颤振检测的基础上K-最近邻(kNN)算法的分类和动态时间规整(DTW)作为时间序列的相似性度量。所使用的时间序列是在一系列车削实验中从刀架获得的加速度信号。我们的研究结果表明,这种方法实现了检测精度,在大多数情况下优于现有的方法。我们将我们的结果与基于小波包变换(WPT)和包络经验模式分解(EEMD)的传统方法进行比较,以及与最近的基于拓扑数据分析(TDA)的方法进行比较。我们发现,在四个切割配置中,我们基于DTW的方法达到了最高的平均分类率,在一种情况下高达99%的准确度。我们的方法不需要特征提取,能够在不同的切割配置中重用分类器,并且使用合理大小的训练集。虽然在我们的方法中得到的高精度与高计算成本相关联,但这是特定于我们使用的DTW实现的。具体来说,我们强调可用的,非常快速的DTW实现,甚至可以在小型消费电子产品上实现。因此,进一步的代码优化和显着减少的计算工作量在实施阶段,使我们的方法在过程中颤振检测的一个可行的选择。
2019-08-05 cs.LG eess.SP stat.ML
An Efficient Transport-Based Dissimilarity Measure for Time Series Classification under Warping Distortions
本文针对时间形变下的时间序列分类,提出基于 Optimal Transport 的相异性度量,可在单训练样本的理想条件下达到 1NN-DTW 的理论可分性,并显著降低计算成本。
2025-05-14 cs.IT math.IT stat.ML
Elastic bands across the path: A new framework and methods to lower bound DTW
Monash University(莫纳什大学)
最近有新的兴趣,在开发有效的下界动态时间弯曲(DTW)的时间序列之间的距离。它们在时间序列索引、聚类、预测、回归和分类中有许多应用。时间序列分类的关键算法之一,基于DTW距离的最近邻算法(NN-DTW),由于DTW的二次复杂度,计算量非常大。下界搜索可以大大提高NN-DTW的速度。一个有效的和紧密的下界快速修剪掉不希望的最近邻候选人从搜索空间和最小化的代价DTW计算的数量。随着训练集大小的增加,下界搜索提供的速度变得越来越关键。不同的下限提供了计算时间和紧密度之间的不同权衡。大多数现有的下限与DTW扭曲窗口大小相互作用。它们在较小的扭曲窗口尺寸下非常紧密和有效,但随着扭曲窗口的增加而变得松散,从而降低了NN-DTW的修剪效果。在这项工作中,我们提出了一个新的类的下界,比流行的Keogh下界更紧,同时需要类似的计算时间。我们的新的下界利用DTW边界条件,单调性和连续性约束,以创建一个更严格的下界。特别重要的是,即使对于大窗户,它们仍然相对紧密。这些新的下限的单个参数控制速度-紧密度权衡。我们证明,这些新的下界提供了一个特殊的平衡之间的计算时间和紧密度的NN-DTW时间序列分类任务,从而大大提高效率的NN-DTW下界搜索。
2019-02-14 cs.LG stat.ML
Dynamic Time Warping-based imputation of long gaps in human mobility trajectories
本文提出基于动态时间规整的多重填补方法DTWBMI,用于填补人类移动轨迹中的长时段缺失,并通过模拟与真实数据实验证明其在长缺失场景下优于线性插值等现有方法。
2024-10-21 stat.ME
Automatic Registration and Clustering of Time Series
University of Florida(佛罗里达大学)
时间序列数据的聚类显示出在其他环境中不存在的许多挑战,特别是观测信号的配准(对准)问题。典型的方法包括预先注册到用户指定的模板或时间扭曲的方法,试图以最小的失真最佳地对齐系列。对于从记录或感测设备获得的许多信号,这些方法可能是不合适的,因为模板信号不可用于预配准,而扭曲方法的失真可能使有意义的时间信息模糊。我们提出了一种新的方法自动时间序列对齐内的聚类问题。我们的方法,时间注册使用最佳酉变换(TROUT),是基于一种新的时间序列之间的相异性测量,很容易计算和自动识别之间的最佳对齐对时间序列。通过将我们的新措施嵌入到优化公式中,我们保留了众所周知的计算和统计性能优势。我们提供了一个有效的算法,基于TROUT的聚类,并证明其优越的性能在一系列的竞争对手。
2021-02-10 cs.LG stat.ME stat.ML
FRUITS: Feature Extraction Using Iterated Sums for Time Series Classification
Universität Greifswald(格赖夫斯瓦尔德大学);Institut für Mathematik und Informatik(数学与信息学研究所)
提出基于迭代和签名(ISS)提取非线性特征并应用线性分类器的时间序列分类流程,在UCR数据集上实现与最先进方法相当的准确率和速度。
2023-11-24 cs.LG stat.ML
Dynamic Time Warping as a New Evaluation for Dst Forecast with Machine Learning
KU Leuven(鲁汶大学);Centre for mathematical Plasma Astrophysics(数学等离子体天体物理学中心)
基于神经网络和机器学习的模型在空间物理学中越来越受欢迎。特别是利用神经网络模型对地磁指数进行预测,正成为一个热门的研究领域。这些模型的评估指标,如均方根误差(RMSE)和皮尔逊相关系数。然而,这些经典指标有时无法捕捉关键行为。为了显示缺乏经典指标的地方,我们训练了一个神经网络,使用长短期记忆网络,在原始时间$t$预测扰动风暴时间指数,预测范围为1至6小时,在OMNIWeb数据上训练。检查模型的结果与相关系数和RMSE表明,性能与最新出版物。然而,视觉检查表明,神经网络做出的预测与持久性模型的行为相似。在这项工作中,提出了一种新的方法来衡量两个时间序列是否在时间上相互移动,如持久性模型输出与观察。新的措施,基于动态时间弯曲,是能够识别的持久性模型的结果,并在确认神经网络的输出的视觉观察显示有前途的结果。最后,探讨了不同的方法来训练神经网络,以消除持久性行为的结果。
2020-06-08 cs.LG stat.ML
Warped Input Gaussian Processes for Time Series Forecasting
Ben-Gurion University of the Negev(内盖夫本-古里安大学)
我们引入了一个基于高斯过程的模型来处理非平稳性。通过对后续观测输入之间的距离的相对变化施加先验,非参数化地实现了翘曲。该模型允许使用通用梯度优化算法进行训练,并且在训练和预测时只产生很小的计算开销。该模型发现其应用在预测中的非平稳时间序列逐渐变化的波动性,存在的变化点,或其组合。我们评估模型的合成和真实世界的时间序列数据比较基线和已知的国家的最先进的方法,并表明该模型具有国家的最先进的预测性能,在较低的实现和计算成本。
2019-12-05 cs.LG stat.ML
Pattern Localization in Time Series through Signal-To-Model Alignment in Latent Space
University of Cantabria(坎塔布里亚大学);IMT Lille Douai(里尔-杜埃国立高等矿业电信学院);Tecnatom S.A.(泰克纳通公司)
在本文中,我们研究的问题定位一个预定义的序列模式的时间序列。特别是,所研究的方案假设一个理论模型是可用的,其中包含的模式的预期位置。这个问题在几种情况下都会出现,通常通过首先从模型中合成时间序列,然后通过动态时间扭曲将其与真实时间序列对齐来解决。我们提出了一种技术,增加了这两个时间序列的相似性,然后将它们映射到一个潜在的相关空间。映射是通过机器学习设置从数据中学习的。无损检测数据的实验表明,所提出的方法显示出显着的改进,在最先进的。
2018-02-19 cs.LG stat.ML
A Benchmark Study on Time Series Clustering
University of Vermont(佛蒙特大学)
本文提出了第一个时间序列聚类基准,利用所有的时间序列数据集,目前在加州大学河滨分校(UCR)档案-最先进的时间序列数据库。具体来说,基准测试检查了八种流行的聚类方法,代表三类聚类算法(分区,分层和基于密度)和三种类型的距离度量(欧几里德,动态时间规整和基于形状)。我们列出了六个限制,特别注意使基准尽可能公正。然后设计了一种分阶段评价方法,以总结小企业一级的评估指标并讨论结果。所提出的基准研究本身可以成为研究界的有益参考;所报告的小册子一级的评估指标可用于设计评价框架,以回答不同的研究问题。
2020-04-26 cs.LG stat.ML
Can automated smoothing significantly improve benchmark time series classification algorithms?
TL;DR:不,它不能,至少在标准存档问题上平均不能。我们评估是否使用六个平滑算法(移动平均,指数平滑,高斯滤波器,Savitzky-Golay滤波器,傅立叶近似和递归中值筛)可以自动应用到时间序列分类问题作为预处理步骤,以提高性能的三个基准分类(1-最近邻欧氏和动态时间弯曲距离,旋转森林)。我们发现,即使我们通过交叉验证设置平滑参数,也没有显着改善未平滑的数据。我们并不是说平滑没有价值。它在探索性分析中起着重要作用,并有助于解决可以利用领域知识的特定分类问题。我们观察到的是,自动应用程序没有帮助,我们不能解释其他时间序列分类算法的基线分类器的改进简单地作为一个功能的平滑的情况下。
2018-11-01 cs.LG stat.ML
Matrix Profile XXII: Exact Discovery of Time Series Motifs under DTW
在过去的十年中,时间序列模体发现已经成为许多下游分析任务的有用原语,包括聚类,分类,规则发现,分割和总结。与此同时,人们越来越多地认识到动态时间规整(DTW)是许多环境中最好的时间序列相似性度量。然而,令人惊讶的是,几乎没有使用DTW来发现基序的工作。对此最明显的解释是,基序发现和DTW的使用在计算上都是具有挑战性的,并且目前解决其嗜睡的最佳机制是相互不兼容的。在这项工作中,我们提出了第一个可扩展的精确方法来发现DTW下的时间序列模体。我们的方法自动执行最佳的权衡之间的时间来计算和紧度的下限为一个新的层次结构的下限表示,我们介绍。我们表明,在现实的设置下,我们的算法可以允许修剪高达99.99%的DTW计算。
2020-09-16 cs.LG stat.ML
Differentiable Divergences Between Time Series
Google Research(谷歌研究院);École Normale Supérieure(巴黎高等师范学院)
计算可变大小的时间序列之间的差异是众所周知的挑战。虽然动态时间规整(DTW)通常用于此目的,但它不是处处可微的,并且已知当用作“损失”时会导致不良的局部最优。Soft-DTW解决了这些问题,但它不是正定发散:由于熵正则化引入的偏差,它可以是负的,并且当时间序列相等时不会最小化。我们在本文中提出了一个新的分歧,称为软DTW分歧,旨在纠正这些问题。我们研究它的性质;特别地,在地面成本的条件下,我们证明了这是一个有效的发散:它是非负的,当且仅当两个时间序列相等时最小化。我们还提出了一个新的“尖锐”的变种,进一步消除熵的偏见。我们展示了我们在时间序列平均上的分歧,并在84个时间序列分类数据集上与DTW和软DTW相比显示出显着的准确性提高。
2021-02-25 cs.LG stat.ML
High Dimensional Time Series Generators
Humboldt-Universität zu Berlin(柏林洪堡大学)
多维时间序列是由实值向量组成的序列。它们出现在不同的领域,例如手写字符、GPS跟踪和现代虚拟现实运动控制器的手势。在这些领域中,一个共同的任务是搜索相似的时间序列。动态时间规整(DTW)是一种比较两个时间序列的常用距离函数。带实际惩罚的编辑距离(ERP)和养狗距离(DK)是时间序列上的两个距离函数。他们的行为进行了分析1维时间序列。然而,要评估它们与不断增长的维度有关的行为并不容易。出于这个原因,我们提出了两个新的数据合成器生成多维时间序列。第一个合成器扩展了众所周知的圆柱钟形漏斗(CBF)数据集的多维时间序列。这里,每个时间序列在每个维度上都有一个任意的类型(圆柱形、钟形或漏斗形),因此对于$d$维时间序列,有$3^{d}$不同的类。第二个合成器(RAM)创建时间序列,其思想来自布朗运动,这是物理学中常见的运动模型。最后,我们评估的适用性1-最近邻分类器使用DTW对我们的合成器生成的数据集。
2018-04-19 cs.LG stat.ML
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
A time warping model for seasonal data with application to age estimation from narwhal tusks
University of Copenhagen(哥本哈根大学);Greenland Institute of Natural Resources(格陵兰自然资源研究所);Université Grenoble Alpes(格勒诺布尔阿尔卑斯大学)
本文提出一种含隐藏随机过程的时间扭曲回归模型,用于处理变周期信号,并应用于西格陵兰独角鲸长牙的年龄估计,通过模拟验证了方法的有效性。
2025-10-27 stat.AP stat.ME
Warped Dynamic Linear Models for Time Series of Counts
针对计数时间序列建模灵活性不足的问题,提出通过扭曲高斯DLM构建半参数化模型,实现共轭推断与高效预测,并在仿真与实际过量计数数据中验证了其有效性。
2023-06-06 math.ST stat.CO stat.ME
Emotional Expression Classification using Time-Series Kernels
Eötvös Loránd University(罗兰大学);Carnegie Mellon University(卡内基梅隆大学);University of Pittsburgh(匹兹堡大学)
人脸表情的估计,作为时空过程,可以利用核方法,如果一个人考虑面部标志的位置和它们在3D空间中的运动。我们应用支持向量分类与内核来自动态时间规整相似性措施。我们仅使用标记点向量的PCA压缩表示的“运动模式”(即所谓的形状参数)实现了超过99%的准确性(通过ROC曲线下面积测量)。除了完整运动模式的分类之外,在从它们开始的5-6帧(大约200毫秒)内,以超过90%的准确度识别了若干表情。
2013-06-08 cs.CV cs.LG stat.ML
Statistical Inference for the Dynamic Time Warping Distance, with Application to Abnormal Time-Series Detection
RIKEN(理化学研究所);Nagoya University(名古屋大学)
本文针对DTW距离抽样分布难推导的问题,提出基于conditional selective inference框架的统计推断方法,首次为DTW距离提供有效p值,并应用于异常时间序列检测。
2023-10-23 cs.LG stat.ML
Meta-Learning for Koopman Spectral Analysis with Short Time-series
NTT Communication Science Laboratories, NTT Corporation(NTT公司NTT通信科学实验室);Institute of Mathematics for Industry, Kyushu University(九州大学产业数学研究所);Center for Advanced Intelligence Project, RIKEN(理化学研究所高级智能项目中心)
Koopman谱分析在非线性动力系统中引起了人们的注意,因为我们可以通过将数据嵌入到Koopman空间中来分析具有线性区域的非线性动力系统。为了分析,我们需要找到合适的嵌入函数。虽然已经提出了几种基于神经网络的方法来学习嵌入函数,但是现有的方法需要长的时间序列来训练神经网络。该限制禁止在仅可用短时间序列的应用程序中执行库普曼光谱分析。在本文中,我们提出了一种元学习方法,通过利用从相关但不同的时间序列中学习到的知识,从看不见的短时间序列中估计嵌入函数。利用该方法,通过双向LSTM获取给定短时间序列的表示,以提取其属性。短时间序列的嵌入函数由依赖于时间序列表示的神经网络建模。通过跨多个时间序列共享LSTM和神经网络,我们可以从不同的时间序列中学习公共知识,同时使用时间序列表示对特定于时间序列的嵌入函数进行建模。我们的模型经过训练,使得使用情景训练框架的预期测试预测误差最小化。我们的实验表明,所提出的方法在特征值估计和未来预测方面比现有的方法取得了更好的性能。
2021-02-09 cs.LG math.DS stat.ML
Boosted Embeddings for Time Series Forecasting
PALO ALTO NETWORKS(帕洛阿尔托网络公司);ADVANCED APPLIED AI RESEARCH(高级应用人工智能研究院)
时间序列预测是各种数据驱动应用中出现的一项基本任务。许多先进的自回归方法,如ARIMA被用来建立预测模型。最近,基于深度学习的方法,如DeepAr,NeuralProphet,Seq2Seq已经被探索用于时间序列预测问题。本文提出了一种新的时间序列预测模型DeepGB。我们制定并实现了梯度提升的变体,其中弱学习者是DNN,其权重在迭代中以贪婪的方式递增。特别是,我们开发了一种新的嵌入架构,使用梯度提升变体提高了许多深度学习模型在时间序列上的性能。我们证明,我们的模型优于现有的可比国家的最先进的模型,使用真实世界的传感器数据和公共数据集。
2021-07-11 cs.AI cs.LG stat.ML
Temporal Knowledge Graph Embedding Model based on Additive Time Series Decomposition
University of Bonn(波恩大学);Fraunhofer IAIS(弗劳恩霍夫智能分析与信息系统研究所)
知识图谱(KG)嵌入是近年来研究的热点。大多数KG嵌入模型从时间未知的三元组学习。然而,在三元组旁边包含时间信息将进一步提高KGE模型的性能。在这方面,我们提出ATiSE,时间KG嵌入模型,将时间信息到实体/关系表示使用加法时间序列分解。此外,考虑到实体/关系表示随时间演变过程中的时间不确定性,我们将时间KG的表示映射到多维高斯分布空间中。每个实体/关系在一个时间步嵌入的平均值显示了当前的预期位置,而其协方差(时间上是平稳的)表示其时间不确定性。实验结果表明,ATiSE在四个时间KG上的链接预测方面处于领先地位。
2020-10-28 cs.AI cs.LG stat.ML
Variable-lag Granger Causality and Transfer Entropy for Time Series Analysis
National Electronics and Computer Technology Center(国家电子和计算机技术中心);University of Illinois at Chicago(伊利诺伊大学芝加哥分校);The Ohio State University(俄亥俄州立大学)
Granger因果关系是一种在时间序列数据中进行因果推断的基本技术,通常用于社会科学和生物科学。Granger因果关系的典型操作假设效应时间序列的每个时间点都受到具有固定时间延迟的其他时间序列的组合的影响。传递熵也存在固定时滞的假设,它被认为是格兰杰因果关系的非线性版本。然而,固定时滞的假设在许多应用中并不成立,例如集体行为、金融市场和许多自然现象。为了解决这个问题,我们开发了变滞后格兰杰因果关系和变滞后转移熵,广义的格兰杰因果关系和转移熵,放松了固定时间延迟的假设,并允许原因影响任意时间延迟的效果。此外,我们提出了方法推断变量滞后格兰杰因果关系和转移熵关系。在我们的方法中,我们利用动态时间弯曲(DTW)的最佳弯曲路径来推断变量滞后的因果关系。我们在研究协调集体行为和其他现实世界的推理数据集的应用程序上展示了我们的方法,并表明我们提出的方法在模拟和现实世界的数据集中比现有的几种方法表现得更好。我们的方法可以应用于任何领域的时间序列分析。这项工作的软件可以在R-CRAN包中获得:VLTimeCausality。
2020-06-01 cs.LG econ.EM physics.data-an
Short-term time series prediction using Hilbert space embeddings of autoregressive processes
线性自回归模型是离散时间随机过程的基本表示。已经进行了不同的尝试来提供基本自回归过程的非线性版本,包括基于核方法的不同版本。受Hilbert空间分布嵌入的强大框架的启发,本文将这种方法应用于$p$阶自回归过程的核嵌入。通过这样做,我们提供了一个非线性版本的自回归过程,表现出在高度复杂的时间序列的线性模型的性能提高。我们使用所提出的方法对不同的时间序列进行一步预测,并将其性能与其他非线性方法进行比较。
2016-03-16 stat.ML
Improving Forecasts for Heterogeneous Time Series by "Averaging", with Application to Food Demand Forecast
针对同领域异质时间序列直接预测困难的问题,提出结合动态时间规整相似度与k近邻构建邻域、通过平均法提升简单模型预测效果的通用框架,并给出多种平均方式、理论依据及诊断工具。
2024-01-30 stat.ME stat.ML
Soft-DTW: a Differentiable Loss Function for Time-Series
在本文中,我们提出了一个可区分的学习损失之间的时间序列,建立在著名的动态时间规整(DTW)的差异。与欧几里德距离不同,DTW可以比较可变大小的时间序列,并且对时间维度上的移位或移位具有鲁棒性。为了计算DTW,通常使用动态规划来解决两个时间序列之间的最小成本对齐问题。我们的工作利用了DTW的平滑公式,称为软DTW,计算所有对齐成本的软最小值。本文证明了软DTW是一个可微损失函数,其值和梯度都可以用二次时间/空间复杂度计算(DTW具有二次时间但线性空间复杂度)。我们表明,这种正则化是特别适合平均和集群的DTW几何下的时间序列,我们的建议显着优于现有的基线的任务。接下来,我们建议调整机器的参数,输出时间序列,最大限度地减少其与地面实况标签在软DTW意义上。
2018-02-20 stat.ML
Time-Series Estimation from Randomly Time-Warped Observations
我们考虑的问题,估计一个信号从其扭曲的意见。这样的估计通常通过一些反向弯曲来改变观测值,或者求解计算要求高的优化公式来执行。虽然如果观测值很少,这些可能是不可避免的,但当大量扭曲观测值可用时,运行此类算法的成本可能过高。我们考虑的情况下,我们有很多的意见,并提出了一个计算简单的算法估计的功能感兴趣。我们证明了实用的算法上流式生物医学信号。
2021-12-02 eess.SP math.ST stat.TH
Parameterizing the cost function of Dynamic Time Warping with application to time series classification
Monash University(莫纳什大学)
动态时间规整(DTW)是一种流行的时间序列距离度量,它将两个序列中的点彼此对齐。这些对齐支持时间维度的扭曲,以允许以不同速率展开的过程。该距离是在时间维度的任何允许的扭曲上所产生的路线的成本的最小总和。两个点的对齐成本是这些点的值之差的函数。原始成本函数是该差值的绝对值。已提出其他成本函数。一个流行的替代方法是差值的平方。然而,据我们所知,这是第一次调查使用不同成本函数的相对影响和调整成本函数以适应不同任务的潜力。我们在本文中这样做,通过使用一个可调的成本函数λγ参数γ。我们发现,γ值越高,对较大的成对差异的权重越大,而γ值越低,对较小的成对差异的权重越大。我们证明,训练γ显着提高了DTW最近邻和邻近森林分类器的准确性。
2023-03-29 cs.LG
Dynamic Time Warping based Adversarial Framework for Time-Series Domain
Washington State University(华盛顿州立大学)
提出基于动态时间规整的对抗框架DTW-AR,用于生成时间序列对抗样本并提升DNN鲁棒性,实验验证其有效性。
2022-11-22 cs.LG
OTW: Optimal Transport Warping for Time Series
Salesforce Research(赛富时研究院)
本文提出基于最优传输的时间序列度量 OTW,以线性时间/空间、可微且可并行的特性替代 DTW,并在分类、聚类和深度学习任务中验证其效果。
2023-06-01 cs.LG
Amercing: An Intuitive, Elegant and Effective Constraint for Dynamic Time Warping
Monash University(莫纳什大学)
动态时间规整(DTW)及其约束(CDTW)和加权(WDTW)变体是具有广泛应用的时间序列距离。它们最大限度地减少了系列之间非线性对齐的成本。CDTW和WDTW已经被引入,因为DTW在其对齐中过于宽松。然而,CDTW使用粗糙的阶跃函数,允许在窗口内不受约束的灵活性,并且没有超出它WDTW的乘法权重是相对于沿着扭曲路径对齐的点之间的距离,而不是引入的扭曲量的直接函数。在本文中,我们介绍了Amerced动态时间规整(ADTW),一个新的,直观的,DTW的变种,惩罚行为的翘曲由一个固定的附加成本。像CDTW和WDTW一样,ADTW约束翘曲量。然而,它避免了在允许的扭曲量和乘法惩罚的限制中的突然不连续性。我们正式介绍ADTW,证明它的一些性质,并讨论其参数化。我们展示了一个简单的例子,它可以被参数化,以实现一个直观的结果,并证明其实用性的标准时间序列分类基准。我们提供了一个C++的演示应用程序。
2021-11-26 cs.LG
Exact Mean Computation in Dynamic Time Warping Spaces
TU Berlin(柏林工业大学);Efficient Algorithms, TU Berlin(柏林工业大学高效算法);Algorithmics and Computational Complexity, TU Berlin(柏林工业大学算法与计算复杂性);Distributed Artificial Intelligence Laboratory, TU Berlin(柏林工业大学分布式人工智能实验室)
动态时间规整是分析时间序列的主要工具。特别是,在动态时间弯曲空间中计算给定序列样本的平均序列(通过最小化Fréchet函数)是一个具有挑战性的计算问题,迄今为止通过几种启发式和不精确策略解决。我们发现一些不准确的文献中的精确平均计算动态时间弯曲空间。我们的贡献包括一个精确的动态程序计算的平均值(有用的基准和评估已知的prostitics)。基于这个动态规划,我们实证研究了均值的唯一性和长度等性质。此外,实验评估显示,在其输出质量方面,国家的最先进的化学品的实质性赤字。对于二进制时间序列的特殊情况,我们也给出了一个精确的多项式时间算法。
2018-05-31 cs.DS cs.LG
Robust Time Series Dissimilarity Measure for Outlier Detection and Periodicity Detection
DAMO Academy, Alibaba Group(阿里巴巴集团达摩院)
动态时间规整(DTW)是一种有效的时间序列相异性度量方法。尽管它很受欢迎,但它容易受到噪声和离群值的影响,这导致了测量中的奇异性问题和偏差。DTW的时间复杂度是时间序列长度的二次函数,这使得它不适用于实时应用。在本文中,我们提出了一种新的时间序列的相异性度量命名为RobustDTW,以减少噪声和离群值的影响。具体来说,RobustDTW估计的趋势,并优化时间扭曲的交替方式,利用我们设计的时间图趋势过滤。为了提高效率,我们提出了一个多层次的框架,估计的趋势和扭曲函数在较低的分辨率,然后反复完善他们在一个更高的分辨率。在RobustDTW算法的基础上,进一步将其扩展到周期性检测和异常时间序列检测。在真实数据集上的实验表明,与DTW变体相比,RobustDTW在离群时间序列检测和周期性检测方面具有优异的性能。
2022-06-07 cs.LG eess.SP stat.AP
Time-warping invariants of multidimensional time series
Universität Greifswald(格赖夫斯瓦尔德大学);NTNU(挪威科技大学);Weierstraß-Institut Berlin(柏林魏尔斯特拉斯研究所);Technische Universität Berlin(柏林工业大学)
在数据科学中,人们经常会遇到一个时间序列,它代表了一些感兴趣的量的测量。通常,作为第一步,需要提取时间序列的特征。这些是旨在简洁地描述数据并抑制噪声影响的数值量。在某些应用中,这些特征还需要满足某些不变性。在本文中,我们专注于时间弯曲不变量。我们表明,这些对应于一定的家庭的迭代和增量的时间序列,被称为准对称函数的数学文献。我们提出了这些不变的功能在代数框架,我们开发了一些基本属性。
2020-03-11 cs.CV cs.LG math.RA
Generative Adversarial Network with Soft-Dynamic Time Warping and Parallel Reconstruction for Energy Time Series Anomaly Detection
Indian Institute of Science(印度科学研究所);FLAME University(FLAME大学)
本文提出一种结合一维DCGAN与Soft-DTW的能源时间序列异常检测方法,通过并行重建加速检测并提升建筑能耗异常识别能力。
2024-02-22 cs.LG
LETS-C: Leveraging Text Embedding for Time Series Classification
J.P. Morgan AI Research(摩根大通人工智能研究)
本文提出LETS-C方法,利用文本嵌入模型编码时间序列数据,并结合CNN和MLP组成的简单分类头进行分类,在准确率超越SOTA的同时大幅减少模型参数。
2025-05-31 cs.AI cs.CE cs.CL
Deep Time Warping for Multiple Time Series Alignment
Sharif University of Technology(谢里夫理工大学)
本文提出一种基于深度卷积网络的多时间序列对齐方法,通过分段线性规整满足边界、单调性和连续性约束,在UCR Archive 2018的129个数据集上显著提升分类精度并降低运行时间。
2025-02-22 cs.AI cs.LG eess.SP
Detecting causality in multivariate time series via non-uniform embedding
基于非一致嵌入方案的因果分析是发现动态系统间潜在相互作用的重要方法。然而,传统的非均匀嵌入方案在估计高维条件互信息和形成最优混合嵌入向量方面仍存在一些障碍。在这项研究中,我们提出了一个新的非均匀嵌入方法的信息论框架来检测因果关系的多变量时间序列,命名为LM-PMIME,它集成了低维近似的条件互信息和混合搜索策略的混合嵌入向量的建设。我们将该方法应用于线性随机,非线性随机和混沌系统的模拟,证明其优越性部分条件互信息从混合嵌入(PMIME)方法。此外,所提出的方法适用于多变量时间序列与弱耦合强度,特别是混沌系统。在实际应用中,我们展示了它对癫痫多通道皮层电图记录的适用性。
2019-12-14 stat.ME
Some recent trends in embeddings of time series and dynamic networks
本文综述了时间序列嵌入和动态网络嵌入的最新进展。我们从传统的主成分开始,然后看看时间序列的动态因子模型的扩展。与时间序列的主成分不同,关于时变非线性嵌入的文献相当稀少。文献中最有前途的方法是基于神经网络的,并且最近在预测比赛中表现良好。我们还触及拓扑数据分析中不同形式的动力学。本文的最后一部分涉及动态网络的嵌入,我们认为现有理论与大多数现实世界网络的行为之间存在差距。我们用两个模拟的例子来说明我们的评论。在整个审查中,我们强调静态和动态的情况下,并指出几个开放的问题,在动态的情况下之间的差异。
2022-12-16 stat.ME
Learning non-Gaussian Time Series using the Box-Cox Gaussian Process
Center for Mathematical Modeling and Department of Mathematical Engineering Universidad de Chile(智利大学数学建模中心和数学工程系);Center for Mathematical Modeling Universidad de Chile(智利大学数学建模中心)
高斯过程(GP)是贝叶斯非参数生成模型,它提供了超参数的可解释性,允许用于训练和推理的封闭形式表达式,并且能够准确地表示不确定性。为了对具有复杂相关结构的一般非高斯数据进行建模,可以将GP与表达性协方差内核配对,然后将其馈送到非线性变换(或扭曲)中。然而,已知过度参数化内核和扭曲分别会阻碍基于梯度的训练并使预测在计算上昂贵。我们通过以下方式解决这个问题:(i)使用无导数全局优化技术训练模型,以便找到模型可能性的有意义的最大值,以及(ii)提出一个基于著名的Box-Cox变换的扭曲函数,该函数需要最小的数值近似--与现有的扭曲GP模型不同。我们验证了所提出的方法,首先表明预测可以分析计算,然后使用真实世界的数据集进行学习,重建和预测实验。
2018-03-19 cs.LG stat.ML
Robust and Efficient Noisy-Label Time-Series Classification via Dynamic Time Warping Based Granular Ball Computing
Nagoya Institute of Technology(名古屋工业大学)
针对含噪标签时间序列分类问题,提出DTW-GBC方法,通过构建粒球减少比较次数,在缓解标签噪声影响的同时提升推理效率,取得鲁棒性与效率的平衡。
2026-10-09 cs.AI cs.LG
Exact Indexing of Time Series under Dynamic Time Warping
College of Equipment Management and UAV Engineering, Air Force Engineering University(空军工程大学装备管理与无人机工程学院);Center for OPTical IMagery Analysis and Learning (OPTIMAL), Northwestern Polytechnical University(西北工业大学光学影像分析与学习中心(OPTIMAL))
动态时间规整(DTW)是一种鲁棒的时间序列相似性度量方法。但它不满足三角不等式,且具有较高的计算复杂性,严重限制了它在大规模数据集相似性搜索中的应用。通常,我们采取较低的边界距离,以加快DTW下的相似性搜索。不幸的是,仍然缺乏一个有效的下界距离,可以衡量不等长的时间序列,并具有理想的紧密性。本文提出了一种新的下界距离LB_Keogh+,它是序列扩展和LB_Keogh的无缝结合。该算法可用于不等长序列,具有较低的计算复杂性。此外,LB_Keogh+可以将序列扩展到任意合适的长度,而不会显着降低紧密度。其次,基于LB_Keogh+,设计了DTW下时间序列的精确索引。然后,我们介绍了几个定理,并完成了相关的证明,以保证没有假解雇在我们的相似性搜索。最后,在真实世界的数据集上进行了广泛的实验。实验结果表明,该方法能够对不等长序列进行相似性搜索,具有较高的紧密度和良好的剪枝能力。
2020-02-11 cs.IR cs.LG