Revisiting the Seasonal Trend Decomposition for Enhanced Time Series Forecasting
University of Louisiana at Lafayette, Lafayette, LA, USA(路易斯安那州立大学拉斐特分校);University of Delaware, Newark, DE, USA(德克萨斯大学达勒姆分校)
本文通过改进季节趋势分解方法,提出双MLP模型提升时间序列预测的精度与效率。
2026-02-06 cs.LG stat.ML
Deep Learning in Multiple Multistep Time Series Prediction
该项目旨在研究在多步时间序列预测中结合深度学习,特别是长短记忆(LSTM)和基本统计。LSTM可以深入到所有页面,并在大范围内学习变化的一般趋势,而每个页面的精心选择的中位数可以保持不同页面的特殊季节性,以便未来趋势不会与现实波动太大。最近的Kaggle竞赛145K Web流量时间序列预测[1]被用来彻底说明和测试这个想法。
2017-10-12 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
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
Nonlinear Time Series Classification Using Bispectrum-based Deep Convolutional Neural Networks
University of Missouri(密苏里大学);U.S. Census Bureau(美国人口普查局);University of Connecticut(康涅狄格大学)
时间序列分类使用新的技术经历了最近的复苏和增长的兴趣,从统计学家,学科领域的科学家,决策者在商业和工业。这主要是由于技术进步产生的大量复杂数据不断增加。一个鼓舞人心的例子是谷歌趋势数据,它表现出高度非线性的行为。虽然存在丰富的文献来解决这个问题,现有的方法主要依赖于时间序列的一阶和二阶特性,因为它们通常假设基本过程的线性。通常,这些不足以对非线性时间序列数据(如Google趋势数据)进行有效分类。考虑到这些方法上的缺陷以及现实世界中存在的大量非线性时间序列,我们引入了一种将高阶谱分析(HOSA)与深度卷积神经网络(CNN)相结合的方法,用于对时间序列进行分类。我们的方法的有效性说明使用模拟数据和两个激励行业的例子,涉及谷歌的趋势数据和电子设备的能源消耗数据。
2020-03-04 cs.LG stat.ML
RobustSTL: A Robust Seasonal-Trend Decomposition Algorithm for Long Time Series
Alibaba Group(阿里巴巴集团)
将复杂的时间序列分解为趋势、季节和剩余分量是促进时间序列异常检测和预测的重要任务。尽管已经提出了许多方法,但仍然有许多时间序列特征表现在现实世界的数据中没有得到适当的解决,包括:1)处理季节性波动和偏移的能力,以及趋势和提醒的突变; 2)对异常数据的鲁棒性; 3)对长季节性周期时间序列的适用性。在本文中,我们提出了一种新的和通用的时间序列分解算法来解决这些挑战。具体来说,我们提取的趋势分量鲁棒地解决回归问题,使用最小绝对偏差损失与稀疏正则化。在提取趋势的基础上,应用非局部季节性滤波提取季节性成分。重复该过程,直到获得准确的分解。不同的合成和真实世界的时间序列数据集上的实验表明,我们的方法优于现有的解决方案。
2018-12-05 cs.LG eess.SP stat.AP
A Deep Structural Model for Analyzing Correlated Multivariate Time Series
Yahoo Research(雅虎研究院);University of Southern California(南加州大学)
多变量时间序列在实际应用中经常遇到,并且在许多情况下,这些时间序列是强相关的。在本文中,我们提出了一种深度学习结构化时间序列模型,该模型可以(i)处理相关的多变量时间序列输入,以及(ii)通过显式学习/提取趋势,季节性和事件成分来预测目标时间序列。通过1D和2D时间CNN和LSTM分层神经网络学习趋势。CNN-LSTM架构可以(i)以自然的方式无缝地利用多个相关时间序列之间的依赖性,(ii)提取加权差分特征以进行更好的趋势学习,以及(iii)记住长期序列模式。季节性分量通过一组傅立叶项的非线性函数来近似,事件分量通过对事件日期进行编码的回归量的简单线性函数来学习。我们通过对各种时间序列数据集进行一系列全面的实验,将我们的模型与几种最先进的方法进行比较,例如Amazon AWS Simple Storage Service(S3)和Elastic Compute Cloud(EC2)账单的预测,以及同一类别公司股票的收盘价。
2020-01-02 cs.LG stat.ML
RobustTrend: A Huber Loss with a Combined First and Second Order Difference Regularization for Time Series Trend Filtering
Alibaba Group(阿里巴巴集团)
提取潜在的趋势信号是促进时间序列分析(如预测和异常检测)的关键步骤。除了噪声信号,时间序列不仅可以包含异常值,而且在现实世界的情况下,突然的趋势变化。为了应对这些挑战,我们提出了一种基于鲁棒统计和稀疏学习的鲁棒趋势滤波算法。具体来说,我们采用Huber损失来抑制异常值,并利用趋势分量上的一阶和二阶差分的组合作为正则化来捕获缓慢和突然的趋势变化。此外,基于优化最小化(MM)和交替方向乘子法(ADMM),设计了一种有效的方法来解决所提出的鲁棒趋势滤波。我们将我们提出的鲁棒趋势滤波器与其他九种最先进的趋势滤波算法在合成和真实世界的数据集上进行了比较。实验结果表明,该算法优于现有的方法。
2019-06-27 cs.LG eess.SP stat.AP
Trend-Adjusted Time Series Models with an Application to Gold Price Forecasting
本文提出TATS模型,通过趋势调整提升时间序列预测精度,应用于黄金价格预测并优于LSTM和Bi-LSTM模型。
2026-01-27 cs.LG
STD: A Seasonal-Trend-Dispersion Decomposition of Time Series
Czestochowa University of Technology(琴斯托霍瓦工业大学)
时间序列的分解是一项基本任务,有助于理解其本质。它便于分析和预测复杂的时间序列表达各种隐藏的成分,如趋势,季节性成分,周期性成分和不规则波动。因此,它在许多领域的预测和决策过程中至关重要。近年来,人们发展了许多时间序列分解方法,它们提取和揭示了不同的时间序列特性。不幸的是,他们忽略了一个非常重要的性质,即时间序列方差。为了处理时间序列中的异方差性,本文提出了一种季节性趋势离散分解(STD)方法,提取时间序列的趋势、季节性分量和与离散相关的分量。我们用两种方式定义STD分解:有和没有不规则分量。我们展示了如何STD可以用于时间序列分析和预测。
2022-04-21 cs.LG stat.ME
Low-Rank Autoregressive Tensor Completion for Multivariate Time Series Forecasting
McGill University(麦吉尔大学)
时间序列预测是一个长期的研究课题,在许多领域都有重要的应用。从传感器网络收集的现代时间序列(例如,能量消耗和交通流量)通常是大规模的和不完整的,具有相当大的破坏和缺失值,使得难以执行准确的预测。在本文中,我们提出了一个低秩自回归张量完成(LATC)框架来建模多元时间序列数据。LATC的关键是将原始多变量时间序列矩阵(例如,传感器$\times$时间点)到三阶张量结构(例如,传感器$\times$一天中的时间$\times$一天),这允许我们将时间序列的固有节奏和季节性建模为全局模式。利用张量结构,我们可以将时间序列预测和缺失数据填补问题转化为一个通用的低秩张量补全问题。除了最小化张量秩,我们还集成了一个新的自回归范数的原始矩阵表示到目标函数。这两个组成部分发挥不同的作用。低秩结构使我们能够有效地捕捉所有三个维度的全球一致性和趋势(即,传感器之间的相似性、不同日期的相似性以及当前时间与历史上的同一天)。自回归范数可以更好地模拟局部时间趋势。我们在三个真实数据集上的数值实验表明,在缺失数据插补和滚动预测任务中,LATC中全局和局部趋势的集成具有优越性。
2020-06-18 cs.LG stat.ML
NonSTOP: A NonSTationary Online Prediction Method for Time Series
University of Washington(华盛顿大学);Microsoft(微软)
我们提出了在线预测方法的时间序列,让我们明确地处理非平稳的文物(如趋势和季节性)存在于最真实的时间序列。具体来说,我们表明,应用适当的变换,这样的时间序列预测之前,可以导致改进的理论和经验预测性能。此外,由于这些转换通常是未知的,我们采用学习与专家设置开发一个完全在线的方法(NonSTOP-NonSTationary Online Prediction)预测非平稳时间序列。该框架考虑了单变量时间序列中的季节性和/或其他趋势以及多变量时间序列中的协整。我们的算法和遗憾分析继承了最近的相关工作,同时显着扩展了这些方法的适用性。对于所有的方法,我们提供了次线性遗憾界使用宽松的假设。理论上的保证并没有完全捕捉到转换的好处,因此我们提供了一个数据依赖的分析,跟随领导者算法,提供了洞察使用这种转换的成功。我们支持我们所有的模拟和真实数据的实验结果。
2018-08-26 cs.LG stat.ML
First De-Trend then Attend: Rethinking Attention for Time-Series Forecasting
UC San Diego(加州大学圣地亚哥分校);AWS AI Labs(亚马逊云科技人工智能实验室);AWS(亚马逊云科技)
近年来,基于变换的模型在长期时间序列预测中得到了广泛的应用,并显示出良好的效果。除了在时域中学习注意力之外,最近的工作还探索了在频域中学习注意力(例如,傅立叶域、小波域),因为在这些域中可以更好地捕获季节模式。在这项工作中,我们试图了解在不同的时间和频率域的注意力模型之间的关系。理论上,我们证明了不同领域的注意力模型在线性条件下是等价的(即,注意力分数的线性内核)。在实证方面,我们分析了不同领域的注意力模型如何表现出不同的行为,通过各种合成实验与季节性,趋势和噪音,重点是softmax操作中的作用。这些理论和实证分析促使我们提出了一种新的方法:TDformer(趋势分解Transformer),首先应用季节趋势分解,然后添加组合的MLP预测的趋势分量与傅立叶注意预测的季节分量,以获得最终的预测。在基准时间序列预测数据集上的大量实验表明,TDformer相对于现有的基于注意力的模型实现了最先进的性能。
2022-12-15 cs.LG
DecoVAE: a Lightweight Interpretable Trend-Seasonal VAE Framework for Efficient Probabilistic Time Series Forecasting
Applied AI Institute(应用人工智能研究所)
DecoVAE是一种轻量级可解释的趋势-季节VAE框架,通过分解时间序列的趋势与季节组件解决概率时间序列预测的局限,在7个真实基准上精度优于基线且效率显著提升。
2026-09-28 cs.LG
OneShotSTL: One-Shot Seasonal-Trend Decomposition For Online Time Series Anomaly Detection And Forecasting
Alibaba Group(阿里巴巴集团)
提出OneShotSTL算法,通过O(1)复杂度的在线季节-趋势分解,解决实时时间序列分析延迟问题,速度提升超千倍且保持高精度。
2023-04-04 cs.AI cs.DB cs.LG
Time Series Forecasting: Obtaining Long Term Trends with Self-Organizing Maps
Kohonen自组织映射是一种众所周知的分类工具,通常用于各种各样的问题,但在时间序列预测方面的应用有限。在本文中,我们提出了一种预测方法,专门设计用于多维长期趋势预测,与Kohonen算法的双重应用。文中还介绍了该方法的实际应用。
2007-01-08 cs.LG math.ST stat.TH
A Latent Source Model for Nonparametric Time Series Classification
MIT(麻省理工学院);Twitter(推特)
对于分类时间序列,最近邻方法在实践中被广泛使用,其性能通常与诸如神经网络、决策树和支持向量机等更精细的方法竞争或更好。我们开发的有效性的最近邻类分类的时间序列的理论依据。我们的指导假设是,在许多应用中,例如预测哪些主题将成为Twitter上的趋势,实际上并没有那么多的原型时间序列开始,相对于我们可以访问的时间序列的数量,例如,话题在Twitter上只以几种不同的方式成为趋势,而我们可以收集大量的Twitter数据。为了实现这一假设,我们提出了一个潜在的源模型的时间序列,这自然会导致一个“加权多数表决”的分类规则,可以近似的最近邻分类。我们建立了非渐近性能保证加权多数表决和最近邻分类在我们的模型占多少的时间序列,我们观察和模型的复杂性。在人工数据上的实验结果表明,加权多数表决算法在观测较少的时间序列的情况下,取得了与最近邻分类算法相同的误分类率。然后,我们使用加权多数来预测Twitter上的哪些新闻主题成为趋势,我们能够在79%的时间内提前检测到这些“趋势主题”,平均提前优势为1小时26分钟,真阳性率为95%,假阳性率为4%。
2013-12-13 cs.LG cs.SI stat.ML
KEDformer:Knowledge Extraction Seasonal Trend Decomposition for Long-term Sequence Prediction
School of Information Technology, Guangxi Police College(广西警察学院信息技术学院);Juniata College(朱尼亚塔学院)
针对Transformer类模型长序列预测计算效率低、泛化性差的问题,提出融合季节-趋势分解的知识提取驱动框架KEDformer,通过聚焦自注意力高信息量权重降本、分量分解增强模式捕捉能力,在5个跨领域数据集上验证了有效性。
2024-12-06 cs.AI cs.LG stat.ML
Nonparametric Trend Estimation in Functional Time Series with Application to Annual Mortality Rates
Here, we address the problem of trend estimation for functional time series . Existing contributions either deal with detecting a functional trend or assuming a simple model. They consider neither the estimation of a general functional trend nor the analysis of functional time series with a functional trend component. Similarly to univariate time series , we propose an alternative methodology to analyze functional time series , taking into account a functional trend component. We propose to estimate the functional trend by using a tensor product surface that is easy to implement, to interpret,…
2020-08-21 stat.ME
Forecasting of Non-Stationary Sales Time Series Using Deep Learning
Ivan Franko National University of Lviv(利沃夫伊万·弗兰科国立大学)
本文描述了在神经网络模型中使用时间趋势校正来预测非平稳时间序列的深度学习方法。连同用于预测销售值的层,神经网络模型包括用于时间趋势项的预测权重的子网络块,该预测权重被添加到预测销售值。时间趋势项被认为是预测权重值和归一化时间值的乘积。结果表明,在深度学习模型中使用趋势校正块,可以从根本上提高具有时间趋势的非平稳销售的预测精度。
2022-05-23 cs.AI cs.LG cs.NE
Unravel Anomalies: An End-to-end Seasonal-Trend Decomposition Approach for Time Series Anomaly Detection
Tsinghua University(清华大学);Shanghai Jiao Tong University(上海交通大学)
针对传统时间序列异常检测方法难以处理复杂复合数据与多样异常的问题,提出端到端模型TADNet,结合季节-趋势分解关联异常与分解分量,采用合成数据预训练加微调的训练策略,在真实数据集上实现了当前最优的多类型异常检测性能。
2023-12-14 cs.AI cs.LG
TA-SparseMG: Trend-Aware Sparse Forecasting via Multi-Scale Gating for Long-Term Time Series
School of Mathematical Sciences, Guizhou Normal University(贵州师范大学数学科学学院);School of Big Data and Computer Science, Guizhou Normal University(贵州师范大学大数据与计算机科学学院)
提出TA-SparseMG轻量级模型,结合趋势感知归一化、尺度自适应门控去噪和多尺度门控注意力MLP模块,解决长期时间序列预测中的非平稳性、高频干扰和跨周期依赖问题,在多个基准上取得稳定优异性能。
2026-06-29 cs.LG
A Robust and Efficient Multi-Scale Seasonal-Trend Decomposition
Alibaba Group(阿里巴巴集团)
许多现实世界的时间序列表现出不同长度的多重季节性。去除季节性成分在时间序列的许多应用中是至关重要的,包括预报和异常检测。然而,许多季节趋势分解算法的计算成本高,需要大量的数据时,多个季节成分存在,特别是当周期长度很长。本文针对具有多重季节性的时间序列,提出了一种通用而有效的多尺度季节趋势分解算法。我们首先将原始时间序列降采样到较低的分辨率,然后将其转换为具有单一季节性的时间序列。因此,现有的季节趋势分解算法可以直接用于获得趋势的粗略估计和对应于较长周期长度的季节分量。通过考虑不同分辨率之间的关系,我们制定了不同的组件的恢复高分辨率作为一个优化问题,这是有效地解决了我们的交替方向乘子法(ADMM)为基础的算法。我们的实验结果表明,准确的分解结果与显着提高效率。
2021-09-18 cs.LG eess.SP stat.AP
Improved Predictive Deep Temporal Neural Networks with Trend Filtering
Ulsan National Institute of Science and Technology, UNIST(蔚山科学技术院);Korea Advanced Institute of Science and Technology, KAIST(韩国科学技术院);INEEJI
多变量时间序列预测,其目的是预测未来的值给定以前和当前的几个单变量时间序列数据,已经研究了几十年,其中一个例子是ARIMA。由于很难衡量在快速波动的金融时间序列数据中噪声与信息信号混合的程度,因此设计一个好的预测模型并不是一件简单的任务。近年来,许多研究人员对递归神经网络和基于注意力的神经网络产生了兴趣,并将其应用于金融预测。已经有许多尝试利用这些方法来捕获长期的时间依赖性,并选择多变量时间序列数据中更重要的功能,以作出准确的预测。在本文中,我们提出了一种新的预测框架,基于深度神经网络和趋势过滤,将噪声时间序列数据转换为分段线性方式。我们发现,当训练数据通过趋势滤波进行时间处理时,深度时间神经网络的预测性能得到改善。为了验证我们的框架的效果,三个深时间神经网络,国家的最先进的模型预测时间序列金融数据,使用和比较包含趋势过滤作为输入功能的模型。对真实世界多变量时间序列数据的实验表明,该方法是有效的,并显着优于现有的基线方法。
2020-10-16 cs.AI cs.LG
CRAFT: Time Series Forecasting with Cross-Future Behavior Awareness
Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所);University of Chinese Academy of Sciences(中国科学院大学);Alibaba Group(阿里巴巴集团)
针对时间序列预测中历史观测有限导致的预测不确定性问题,提出融合跨未来行为的 CRAFT 方法,通过多模块挖掘补全趋势并校准分布,在离线数据与线上测试中均验证了有效性。
2025-05-20 cs.LG
MSTL: A Seasonal-Trend Decomposition Algorithm for Time Series with Multiple Seasonal Patterns
将时间序列分解成分量是一项重要的任务,有助于理解时间序列,并可以实现更好的预测。如今,高采样率导致高频数据(如每日、每小时或每分钟数据),许多真实世界的数据集包含时间序列数据,这些数据可以表现出多种季节模式。虽然已经提出了几种方法来更好地分解时间序列在这些情况下,他们往往是计算效率低或不准确。在这项研究中,我们提出了多个季节趋势分解使用黄土(MSTL),传统的季节趋势分解使用黄土(STL)过程的扩展,允许分解的时间序列与多个季节模式。在我们对合成和扰动的真实世界时间序列数据集的评估中,与其他分解基准相比,MSTL以较低的计算成本展示了具有竞争力的结果。MSTL的实现在R包预测中可用。
2021-07-28 stat.AP stat.CO
Testing for Parallelism Between Trends in Multiple Time Series
本文研究了多个非平稳时间序列的趋势推断问题。为了检验趋势是否相互平行,我们使用了基于非参数趋势估计量与其平均值之间的L2距离的平行性指数。得到了检验统计量的中心极限定理,并建立了检验的相合性。我们提出了一个基于模拟的近似分布的检验统计量,显着改善后的正常近似。该测试也适用于设计一个聚类算法。最后,有限样本的测试性能进行评估,通过模拟和测试方法说明了时间序列从摩托罗拉手机活动在美国。
2011-05-24 math.ST stat.ME stat.TH
Revitalizing Multivariate Time Series Forecasting: Learnable Decomposition with Inter-Series Dependencies and Intra-Series Variations Modeling
University of Electronic Science and Technology of China(电子科技大学);The Hong Kong Polytechnic University(香港理工大学);Shanghai Artificial Intelligence Laboratory(上海人工智能实验室);University of Cambridge(剑桥大学)
本文提出 Leddam 模型,通过可学习分解策略和双注意力模块同时建模序列间依赖与序列内变化,在八个数据集上显著提升多元时间序列预测性能,且分解策略可即插即用,使其他方法 MSE 降低 11.87% 至 48.56%。
2024-07-05 cs.LG
Spherically Embedded Time Series with Unknown Trend and Periodic Components
Macquarie University(麦考瑞大学)
本文提出统一的几何框架分析非平稳球面嵌入时间序列,通过非参数球面趋势-周期性分解模型提取趋势和周期成分,结合球面自回归模型提升预测性能。
2026-08-28 stat.AP stat.ME
TrendLSW: Trend and Spectral Estimation of Nonstationary Time Series in R
TrendLSW包提供小波技术分析非平稳时间序列,包括趋势下谱估计、趋势估计及置信区间,支持任意长度数据,无需预处理。
2024-11-05 stat.CO stat.ME
Trend estimation for time series with polynomial-tailed noise
针对非随机非等距时间点观测的时间序列,在函数有界全变差和误差低阶矩条件下,提出适应非 dyadic 样本量的 Haar 型基非线性小波估计器,推导多项式尾噪声稀疏信号阈值方案并应用于趋势估计。
2025-02-12 math.ST stat.TH
Conditional Denoising Meets Polynomial Modeling: A Flexible Decoupled Framework for Time Series Forecasting
State Key Laboratory of Cognitive Intelligence, University of Science and Technology of China(认知智能国家重点实验室,中国科学技术大学)
针对现有时间序列模型忽略趋势与季节成分差异的问题,提出CDPM框架,结合概率扩散模型与确定性线性模型,解耦建模并分别处理,在六个基准上验证了有效性。
2025-06-08 cs.LG
Trend and seasonality estimation for point-process time series
University of Wisconsin–Milwaukee(威斯康星大学密尔沃基分校)
本文提出了一种用于点过程时间序列趋势和季节性估计的简单M估计器,通过模拟研究其有限样本性能,并以芝加哥Divvy自行车共享系统中的自行车需求模式为例进行实数据应用。
2026-05-21 stat.ME
Rethinking Nonstationarity in Time Series: A Deterministic Trend Perspective
Hong Kong Baptist University(香港浸会大学);Chinese University of Hong Kong(香港中文大学)
STSA模型从确定性趋势视角重新审视时间序列非平稳性,通过分解趋势和季节成分,有效识别结构性断裂并提升预测精度。
2025-11-25 stat.AP
DBLoss: Decomposition-based Loss Function for Time Series Forecasting
East China Normal University(东华师范大学)
针对现有MSE损失难以准确捕捉预测区间内季节性与趋势的问题,提出基于分解的DBLoss损失函数,通过指数移动平均分解分量并分别加权计算损失,可适配各类预测模型,显著提升了现有最优模型在多数据集上的性能。
2025-10-27 cs.LG
Extracting Common Time Trends from Concurrent Time Series: Maximum Autocorrelation Factors with Application to Tree Ring Time Series Data
并发时间序列通常出现在各种应用中,包括在监测环境时,例如在空气质量测量网络、气象站、海洋学浮标中,或在古形式中,例如湖泊沉积物、树环、冰芯或珊瑚同位素,每个监测或采样站点提供时间序列之一。这些应用的目标是在观测数据中提取共同的时间趋势或信号。目标是提取多个时间序列的共同时间趋势的其他示例是股票价格时间序列、神经时间序列和质量控制时间序列。为了这个目的,我们开发MAF [最大自相关因子]的属性,线性组合时间序列,以最大化得到的SNR [信号噪声比],其中有多个平滑信号存在于数据中。在MAF和CCA [典型相关分析]之间的回归设置中建立等效性,即使MAF不需要与CCA相反的特定信号知识。我们继续推导MAF的理论特性,并量化MAF的SNR优势,与PCA [主成分分析],一种常用的方法,线性组合时间序列,并比较其统计样本特性。然后将MAF和PCA应用于真实和模拟数据集,以说明MAF的功效。
2015-10-17 stat.ME
Large-Scale Curve Time Series with Common Stochastic Trends
本文研究具有共同随机趋势的高维曲线时间序列,提出双重泛函因子模型并结合泛函PCA技术进行估计,推导了收敛性与极限分布理论,通过模拟与实证验证了方法的有效性。
2025-09-14 econ.EM stat.ME
A mathematical proof of the existence of trends in financial time series
通过证明金融时间序列中趋势的存在,我们正在解决量化金融中的一个长期争论,这要归功于卡地亚和Y。Perrin,用非标准分析的语言表达(有限集上的积分,F。& M. Diener(Eds):Nonstandard Analysis in Practice,Springer,1995,pp. 195- 204)。这些趋势可能与一些改变的随机游走范式和有效市场假说共存,但似乎很难与著名的布莱克-斯科尔斯模型相协调。他们估计通过最近的技术源于控制和信号理论。对各种金融量的预测进行了几个相当有说服力的计算机模拟。最后,我们讨论概率论的作用。
2009-01-14 cs.CE math.CA math.PR
An Evaluation of Deep Learning Models for Stock Market Trend Prediction
School of Computing Dublin City University Dublin, Ireland;Insight Centre for Data Analytics Dublin City University Dublin, Ireland
本研究评估了TCN、N-BEATS、TFT等深度学习模型在股市短期趋势预测中的表现,并提出了优化的xLSTM-TS模型。结合小波去噪技术,xLSTM-TS在S&P 500和EWZ数据集上表现最佳,显著提升了预测准确率。
2024-08-22 cs.LG
Modelling Time-Varying First and Second-Order Structure of Time Series via Wavelets and Differencing
在实践中观察到的大多数时间序列表现出随时间变化的趋势(一阶)和自协方差(二阶)的行为。差分是一种常用的技术,以消除这种序列中的趋势,以估计(差分序列的)时变二阶结构。然而,我们通常需要对原始序列的二阶行为进行推断,例如,在进行趋势估计时。在这篇文章中,我们提出了一种方法,使用差分,联合估计的时变趋势和二阶结构的非平稳时间序列,在局部平稳小波建模框架。我们开发了一个基于小波的估计的二阶结构的原始时间序列的基础上的差分估计,并展示了如何将其纳入估计的趋势的时间序列。我们进行了模拟研究,以调查的方法的性能,并通过分析环境和生物医学科学的数据例子,证明该方法的实用性。
2022-04-06 stat.ME
On trend and its derivatives estimation in repeated time series with subordinated long-range dependent errors
对于时间上规则分布的数据集,有很多方法可以使用,并且这些方法的性质得到了广泛的研究。对于具有复杂相关结构的不规则时态数据集,尽管这类数据集广泛存在,但对受测量误差影响的数据集的研究较少。本文研究了在测量误差相关和不规则采样间隔下,核函数平滑器对趋势及其导数的平滑性能。假设误差过程是服从高斯长记忆过程,具有变化的边缘分布。导出了趋势及其导数估计量的泛函中心极限定理,并讨论了带宽选择问题。
2018-03-14 stat.ME
SSDNet: State Space Decomposition Neural Network for Time Series Forecasting
The University of Sydney(悉尼大学)
在本文中,我们提出了SSDNet,这是一种用于时间序列预测的新型深度学习方法。SSDNet将Transformer架构与状态空间模型相结合,以提供概率和可解释的预测,包括趋势和季节性组件以及对预测重要的先前时间步长。Transformer架构用于直接有效地学习时间模式并估计状态空间模型的参数,而不需要卡尔曼滤波器。我们在五个数据集上全面评估了SSDNet的性能,表明SSDNet在准确性和速度方面是一种有效的方法,优于最先进的深度学习和统计方法,并且能够提供有意义的趋势和季节性成分。
2021-12-19 cs.LG
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
Improved Sales Forecasting using Trend and Seasonality Decomposition with LightGBM
Johns Hopkins University(约翰斯·霍普金斯大学)
本文提出一种基于趋势和季节性分解的新度量指标,用于对时间序列分组,并结合LightGBM改进零售销售预测,在沃尔玛数据上验证了更高的准确性。
2023-09-01 cs.AI cs.LG
Locally Adaptive Shrinkage Priors for Trends and Breaks in Count Time Series
提出负二项贝叶斯趋势滤波器(NB-BTF),利用动态全局-局部收缩先验捕捉计数时间序列的多尺度特征,模拟中优于现有方法,并在停电频率数据上验证了其有效性与不确定性量化。
2023-08-31 stat.ME
Inference on common trends in functional time series
Aarhus Center for Econometrics(奥胡斯计量经济学中心);Aarhus University(奥胡斯大学)
本文研究了在Hilbert空间中时间序列的单位根和协整的统计推断,提出对嵌入时间序列中的共同随机趋势数量(非平稳子空间维度)的推断方法,并考虑非平稳和平稳子空间的假设检验。
2026-07-06 econ.EM math.ST stat.TH
Online Bootstrap Inference for the Trend of Nonstationary Time Series
LMU Munich(慕尼黑大学);Munich Center for Machine Learning(慕尼黑机器学习中心)
提出一种在线自助法方案,用于非平稳时间序列的非参数水平估计,实现可扩展的不确定性量化,适用于自适应异常检测、在线监测等场景。
2026-06-26 stat.CO stat.ME
Robust Dominant Periodicity Detection for Time Series with Missing Data
DAMO Academy, Alibaba Group(阿里巴巴集团达摩院)
周期性检测是时间序列分析中的一项重要任务,但由于时间序列数据具有突变趋势、异常值、噪声、尤其是块缺失数据等多种特征,周期性检测仍然是一个具有挑战性的问题。本文提出了一种鲁棒有效的时间序列块缺失周期检测算法。我们首先设计了一个鲁棒的趋势滤波器,以消除缺失数据下复杂趋势模式的干扰。然后,我们提出了一个强大的自相关函数(ACF),可以有效地处理缺失值和离群值。严格证明了当丢失块长度小于周期长度的$1/3$时,所提出的鲁棒ACF仍然可以很好地工作。最后,结合时频信息,我们的算法可以准确地产生周期长度。实验结果表明,我们的算法优于现有的周期性检测算法在真实世界的时间序列数据集。
2023-03-06 cs.LG eess.SP stat.AP
DMamba: Decomposition-enhanced Mamba for Time Series Forecasting
Harbin Engineering University(哈尔滨工程大学);Capital Normal University(首都师范大学)
DMamba通过分解时间序列并利用不同复杂度的模块提升预测性能,实现对趋势和季节性成分的精准建模。
2026-02-09 cs.AI 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
IConv: Focusing on Local Variation with Channel Independent Convolution for Multivariate Time Series Forecasting
针对多元时间序列预测中MLP忽略局部变化的问题,提出IConv,结合CNN与MLP,通过通道独立卷积建模局部模式,实验证明其优越性。
2025-09-25 cs.AI cs.LG
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
SiZer for time series: A new approach to the analysis of trends
平滑方法和SiZer是发现数据中统计显著结构的有用统计工具。基于最初在计算机视觉文献中开发的尺度空间思想,SiZer(导数的显著零交叉)是一种图形设备,用于评估哪些观察到的特征“真的存在”,哪些只是虚假的采样伪影。在本文中,我们发展SiZer一样的想法在时间序列分析,以解决重要的问题的意义的趋势。这不是一个简单的延伸,因为一个数据集并不包含区分“趋势”和“依赖性”所需的信息。提出了一种新的可视化方法,向统计人员显示了可用的权衡范围。仿真和实际数据结果表明了该方法的有效性。
2007-06-28 stat.ME
Beta regression for time series analysis of bounded data, with application to Canada Google${}^\circledR$ Flu Trends
在实际应用中经常会遇到由比率或比例组成的有界时间序列。本文提出了一种实用的方法来分析有界时间序列,通过贝塔回归模型。该方法允许直接解释的回归参数的原始响应规模,同时适当占异方差典型的有界变量。序列相关性由高斯Copula建模,相关矩阵对应于平稳的自回归和移动平均过程。它表明,推理,预测和控制可以直接进行,与自回归和移动平均模型的标准分析的微小修改。该方法的动机是应用于Google ${}^\circledR$ Flu Trends项目估计的流感样疾病发病率。
2014-04-14 stat.AP