Modelling Segmented Cardiotocography Time-Series Signals Using One-Dimensional Convolutional Neural Networks for the Early Detection of Abnormal Birth Outcomes
Liverpool John Moores University（利物浦约翰摩尔斯大学）；University of Maryland Medical Center（马里兰大学医学中心）
妇产科医生使用国际妇产科联合会（FIGO）指南直观地解释心脏分娩描记术（CTG）痕迹，以评估产前护理期间胎儿的健康状况。这种方法引起了专业人员对内部和内部变异性的关注，其中临床诊断在对病理结果进行分类时仅具有30%的阳性预测值。用FIGO和从CTG迹线提取的其他用户衍生特征训练的机器学习模型已被证明可以提高阳性预测能力并最小化变异性。然而，这只有在类分布相等时才有可能，而在病例对照观察结果严重偏向于正常结果的临床试验中很少出现这种情况。可以使用从重新采样的案例训练数据导出的合成数据或通过减少控制实例的数量来平衡类。然而，这要么引入了偏见，要么删除了有价值的信息。人们还对机器学习研究及其对手工制作功能的依赖表示担忧。虽然这导致了一些有趣的结果，但导出最佳特征集被认为是一门艺术，也是一门科学，通常是一个经验和耗时的过程。在本文中，我们解决了这两个问题，并提出了一种新的CTG分析方法，a）将CTG时间序列信号分成n个大小的窗口，具有相等的类分布，和b）自动提取功能的时间序列窗口使用一维卷积神经网络（1DCNN）和多层感知器（MLP）集成。总的来说，所提出的方法通常分布类，并消除了对CTG跟踪手工制作功能的需要。
2020-08-22 cs.LG stat.ML
Dataset: Rare Event Classification in Multivariate Time Series
ProcessMiner, Inc.（ProcessMiner公司）
从纸浆和造纸工业提供真实世界的数据集。该数据集来自多变量时间序列过程。该数据包含行业中常见的罕见断纸事件。数据包含以规则时间间隔（x）的传感器读数和事件标签（y）。这些数据的主要目的被认为是建立一个分类模型，用于早期预测罕见事件。然而，它也可以用于多变量时间序列数据探索和建立其他监督和无监督模型。
2019-05-31 cs.LG stat.ML
Multivariate Time-series Similarity Assessment via Unsupervised Representation Learning and Stratified Locality Sensitive Hashing: Application to Early Acute Hypotensive Episode Detection
Rochester Institute of Technology（罗切斯特理工学院）；Massachusetts Institute of Technology（麻省理工学院）；Philips Research North America（飞利浦北美研究院）
及时预测重症监护室（ICU）中的临床危重事件对提高护理水平和生存率具有重要意义。大多数现有的方法都是基于对从生命信号中明确提取的统计特征的各种分类方法的应用。在这项工作中，我们建议消除高成本的工程手工制作的功能，从多变量时间序列的生理信号，通过学习他们的表示与序列到序列的自动编码器。然后，我们建议对学习到的表示进行散列，以使信号相似性评估能够预测关键事件。我们应用这种方法框架来预测急性低血压性脑卒中（AHE）的生命信号记录的大型和多样化的数据集。实验证明了所提出的框架在准确预测即将到来的AHE的能力。
2018-12-04 cs.AI cs.CV stat.ML
Bayesian identification of early warning signals for long-range dependent climatic time series
UiT The Arctic University of Norway（挪威北极大学）
本文提出了一种贝叶斯方法，用于检测长期依赖气候时间序列中的早期预警信号，通过分析自相关和方差的变化，评估其在真实数据中的有效性。
2026-02-10 stat.ME
A textual transform of multivariate time-series for prognostics
GE Global Research（通用电气全球研究院）
早期故障的预测或早期检测是基于状态和预防性维护的重要工业挑战。由于多个相互作用的组件，不受控制的环境因素和可观测性约束，基于物理的方法来建模故障进展是不可行的。此外，这样的方法来识别不推广到新的领域。因此，领域不可知的数据驱动的机器学习方法是理想的。损伤进展是一个依赖于路径的过程，明确建模的时间模式是准确估计当前的损伤状态和其进展导致总故障的关键。在本文中，我们提出了一种新的数据驱动的方法，采用一种新的文本表示的多变量时间传感器观测预测未来的健康状态的监测设备在其生命的早期。这种表示使我们能够利用从文本挖掘的建模，预测和理解的领域不可知的方式遇险模式很好地理解的概念。该方法已被部署，并成功地测试了大规模的多变量时间序列数据从商用飞机发动机。我们报告的实验，众所周知的公开可用的基准数据集和模拟数据集。所提出的方法被证明是优越的预测精度，预测和可解释性的前置时间。
2017-09-19 cs.LG stat.ML
Monitoring Time Series With Missing Values: a Deep Probabilistic Approach
Ben-Gurion University of the Negev（内盖夫本-古里安大学）
通常通过收集和流式传输多变量时间序列来监控系统的健康和安全。由于采用多层递归神经网络结构，时间序列预测的进步使得在高维时间序列中进行预测成为可能，并且基于趋势的微妙变化来早期识别和分类新颖性。然而，主流的多变量时间序列预测方法不能很好地处理正在进行的预测必须包括不确定性的情况下，他们也是强大的缺失数据。我们引入了一种新的架构，时间序列监测的基础上结合国家的最先进的方法预测在高维时间序列与充分的概率处理的不确定性。我们展示了时间序列预测和新颖性检测的架构的优势，特别是部分缺失数据，并根据经验评估和比较的架构，以国家的最先进的方法在现实世界的数据集。
2022-03-09 cs.LG stat.ML
Correlative Channel-Aware Fusion for Multi-View Time Series Classification
Northeastern University（东北大学）；Santa Clara University（圣克拉拉大学）；University of Georgia（佐治亚大学）
多视图时间序列分类（MVTSC）的目的是通过融合不同的时间信息，从多个视图来提高性能。现有的方法主要集中于在早期阶段融合多视图信息，例如，通过学习多个视图之间的公共特征子空间。然而，这些早期融合方法可能无法充分利用复杂时间序列中每个视图的独特时间模式。此外，多个视图的标签相关性，这是关键的提升，通常是在探索的MVTSC问题。为了解决上述问题，我们提出了一个相关的网络感知融合（C2AF）网络。首先，C2AF提取全面和鲁棒的时间模式由两个流的结构化编码器为每个视图，并捕获视图内和视图间的标签相关性与基于图的相关矩阵。其次，通过卷积神经网络实现了一种信道感知的可学习融合机制，以进一步探索全局相关模式。这两个步骤在所提出的C2AF网络中进行端到端的训练。在三个真实世界数据集上的大量实验结果表明，我们的方法优于最先进的方法。还提供了详细的消融研究，以显示每个模型组件的有效性。
2020-11-20 cs.AI cs.LG stat.ML
Neural ODEs for Informative Missingness in Multivariate Time Series
IBM；Maynooth University（梅努斯大学）
在连续时间序列的数字处理中，信息缺失是不可避免的，其中在不同时间点的一个或多个观测值缺失。这种缺失的观测是使用深度学习进行时间序列处理的主要限制之一。实际应用，例如，传感器数据、医疗保健、天气生成实际上在时间上连续的数据，并且信息缺失是这些数据集中的常见现象。这些数据集通常由多个变量组成，并且这些变量中的一个或多个通常存在缺失值。这一特性使得时间序列预测更具挑战性，并且丢失的输入观测值对最终输出的准确性的影响可能很大。最近一种名为GRU-D的新型深度学习模型是解决时间序列数据中信息缺失的早期尝试。另一方面，一种新的神经网络族称为神经ODE（常微分方程）是自然和有效的处理时间序列数据，这是连续的时间。在本文中，提出了一种深度学习模型，该模型利用了GRU-D的有效插补和神经ODE的时间连续性。在PhysioNet数据集上执行的时间序列分类任务演示了此架构的性能。
2020-05-20 cs.LG stat.ML
Towards Accurate and Interpretable Time-series Forecasting: A Polynomial Learning Approach
Center for Intelligent Decision-Making（智能决策中心）；Machine Learning, School of Management, Xi'an Jiaotong University, Xi'an, China（机器学习，管理学院，西安交通大学，中国）；The 39th Research Institute of China Electronics Technology Group Corporation, Xi'an, China（中国电子科技集团第三十九研究所，中国）；Shenzhen Research Institute of Big Data, ShenZhen, China（深圳大数据研究院，中国）
本文提出可解释的多项式学习方法，通过显式建模特征及其交互实现时间序列预测的高准确性和可解释性。
2026-03-03 cs.LG stat.ME
Tipping point analysis of electrical resistance data with early warning signals of failure for predictive maintenance
我们将临界点分析应用于汽车或航空行业应用中常用的电子元件的测量，并根据电阻时间序列的缩放特性展示预警信号。该分析利用统计物理框架与随机建模，通过将测量的时间序列表示为从测量估计的确定性和随机性分量的组成。早期预警信号的观察比那些从传统技术，如基于阈值的故障检测，或在威布尔故障分析中使用的批量估计。所介绍的技术可能是有用的电力电子设备的预测性维护，与工业应用。我们建议，这种方法可以应用到各种电力系统和能源应用中的电磁测量。
2020-07-28 physics.data-an physics.soc-ph stat.AP
Monitoring the risk of a tailings dam collapse through spectral analysis of satellite InSAR time-series data
边坡失稳具有破坏力，可对生命和基础设施造成重大损害。因此，监测容易出现不稳定情况的斜坡，对于减轻斜坡坍塌所带来的风险至关重要。边坡监测的目的是检测稳定性问题的初步迹象，例如边坡变形时位移速率的变化。然后，该信息可以用于预测即将发生故障的时间或概率，以便提供早期警告。在这项研究中，提出了一个更客观的，渐进学习算法来检测和预测边坡破坏的风险，基于序列相关的位移时间序列数据的谱分析。将该算法应用于基于卫星的干涉合成雷达（InSAR）位移时间序列数据，以回顾性分析2019年巴西Brumadinho尾矿坝坍塌的风险。该算法识别出两个潜在的风险里程碑，并检测到确定但紧急的风险（2018年2月27日至2018年8月26日）和即将发生的尾矿坝坍塌风险（2018年6月27日至2018年12月24日）的迹象。重要的是，早在2019年1月25日大坝倒塌前至少五个月就发现了这种故障风险的初步迹象。本研究的结果表明，频谱方法和二阶统计特性的InSAR位移时间序列数据的组合可以揭示一个过渡到一个不稳定的变形制度的迹象，这种算法可以提供足够的早期预警，可以帮助减轻灾难性的斜坡故障。
2023-02-03 stat.AP stat.ME stat.ML
RAPID: Early Classification of Explosive Transients using Deep Learning
University of Cambridge（剑桥大学）；Space Telescope Science Institute（太空望远镜科学研究所）；Kavli Institute for Cosmology（卡夫利宇宙学研究所）；Stockholm University（斯德哥尔摩大学）；University of Toronto（多伦多大学）
我们提出了RAPID（实时自动光度识别），一种新的时间序列分类工具，能够自动识别从初始警报的一天内的瞬态，光变曲线的整个生命周期。使用具有门控递归单元（GRU）的深度递归神经网络，我们提出了第一种专门用于提供天文时间序列数据早期分类的方法，分为12个不同的瞬态类。我们的分类器可以处理具有任何相位覆盖的光变曲线，并且它不依赖于从数据中导出计算昂贵的特征，使得RAPID非常适合处理正在进行和即将进行的宽场调查（如Zwicky Transient Facility（ZTF）和大型综合巡天望远镜（LSST））将产生的数百万警报。随着更多的光度数据变得可用，分类精度在瞬态的生命周期内提高，并且在12个瞬态类中，我们分别在早期和晚期获得了0.95和0.98的接收器工作特性曲线下的平均面积。我们证明了RAPID的能力，有效地提供早期的ZTF数据流中观察到的瞬态分类。我们已经将RAPID作为一个开源软件包（https：//www.example.com）提供给基于机器学习的警报代理，用于在几秒钟内对数千条光变曲线进行自动快速分类。astrorapid.readthedocs.io
2019-10-07 astro-ph.HE astro-ph.IM cs.LG
Detecting early signs of depressive and manic episodes in patients with bipolar disorder using the signature-based model
反复发作的主要情绪发作和亚综合征情绪不稳定导致双相情感障碍患者严重残疾。能够及时稳定情绪的情绪发作的早期识别是重要的临床目标。最近的技术进步允许实时的情绪前瞻性报告，从而实现更准确，更有效的数据捕获。这些数据流的复杂性质与从缺失数据平均值导出含义的挑战相结合，构成了重大的分析挑战。签名方法是从随机分析中得到的，并且具有捕获复杂有序时间序列数据的重要性质的能力。探讨是否可以使用自我报告的情绪数据来识别躁狂和抑郁发作。
2017-08-03 stat.ML
Integrating Physiological Time Series and Clinical Notes with Deep Learning for Improved ICU Mortality Prediction
College of Information and Computer Sciences（信息与计算机科学学院）；University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
重症监护室电子健康记录（ICU EHR）存储有关患者的多模态数据，包括临床记录、稀疏和不规则采样的生理时间序列、实验室结果等。到目前为止，大多数旨在从ICU EHR数据中学习预测模型的方法都集中在单一模式上。在本文中，我们利用最近提出的插值预测深度学习架构（Shukla和Marlin 2019）作为探索如何将生理时间序列数据和临床记录整合到统一的死亡率预测模型中的基础。我们研究了早期和晚期融合方法，并展示了临床文本和生理数据的相对预测值如何随时间变化。我们的研究结果表明，后期融合方法可以提供一个统计学上显着的改善，在死亡率预测性能比单独使用的方式。
2021-03-18 cs.CY cs.LG stat.ML
An Expectation-Based Network Scan Statistic for a COVID-19 Early Warning System
The Alan Turing Institute（艾伦·图灵研究所）；University of Warwick（华威大学）
大伦敦管理局（GLA）对COVID-19大流行的应对措施之一汇集了多个大规模且异构的数据集，捕捉伦敦金融城的流动性、交通和交通活动，以更好地了解“繁忙程度”并实现有针对性的干预措施和有效的政策制定。作为Odysseus项目的一部分，我们描述了一个早期预警系统，并引入了一个基于预期的网络扫描统计数据，以帮助GLA和伦敦交通局了解人们在多大程度上遵循了政府的COVID-19指南。我们明确对待的情况下，地理位置固定的时间序列数据位于（道路）网络，主要集中在监测首都大区域的动态。此外，我们还专注于重要时空区域的检测和报告。我们的方法是扩展基于网络的扫描统计（NBSS），使其基于预期（EBP），并通过使用随机过程的时间序列预测，这使我们能够量化度量的不确定性在EBP和NBSS框架。我们介绍了EBP模型中使用的度量的一个变体，该模型侧重于识别活动比预期更安静的时空区域。
2020-12-08 cs.LG physics.soc-ph stat.AP
An early warning indicator trained on stochastic disease-spreading models with different noises
University of Alberta（阿尔伯塔大学）；Brock University（布鲁克大学）；University of Victoria（维多利亚大学）；Alberta Machine Intelligence Institute（阿尔伯塔机器智能研究所）
针对现实疾病传播中受多种噪声影响导致早期预警困难的问题，提出一种在噪声诱导的随机疾病传播模型上训练的深度学习早期预警指标，能有效预测疫情转变并优于现有方法。
2024-03-24 cs.LG q-bio.PE stat.AP
Positive blood culture detection in time series data using a BiLSTM network
IBCN；Ghent University - iMinds（根特大学 - iMinds）；Ghent University Hospital（根特大学医院）；Ghent University（根特大学）
患者血液中存在细菌或真菌是异常的，可导致危及生命的疾病。本研究以双向长短期记忆人工神经网络为基础，探讨一种计算模型，以协助加护病房的医生预测病人的血培养检查是否会返回阳性。作为输入，它使用了9个监测的临床参数，作为时间序列数据，从根特大学医院的2177 ICU入院收集。我们的主要目标是确定一般的机器学习方法和更具体的时间模型是否可以用于创建早期检测系统。这项初步研究获得了71.95%的精确召回曲线下的面积，证明了时间神经网络在这方面的潜力。
2016-12-03 cs.LG cs.NE q-bio.QM
Early Classification of Time Series is Meaningful
AgroParisTech（巴黎高科农业学院）；INRAe（法国国家农业、食品与环境研究院）；Université Paris-Saclay（巴黎萨克雷大学）；Orange Labs（Orange实验室）
鉴于时间序列在医疗、交通和金融等广泛应用中的重要性，已经提出了许多方法用于时间序列的早期分类。然而，最近保存在Arxiv上的预印本声称，近20年来对时间序列早期分类的所有研究都是无用的，或者至少是方向不明确的，因为严重缺乏坚实的基础。本文详细回答了作者提出的主要问题和误解，并提出了进一步拓展时间序列早期分类应用领域的方向。
2021-04-30 cs.LG
Earliness-Aware Deep Convolutional Networks for Early Time Series Classification
Duke University（杜克大学）；Purdue University（普渡大学）；IIT Kanpur（印度理工学院坎普尔分校）
我们提出了Earliness-Aware Deep Convolutional Networks（EA-ConvNets），这是一个端到端的深度学习框架，用于时间序列数据的早期分类。与大多数现有的时间序列数据早期分类方法不同，这些方法旨在解决这个问题，前提是假设有一组良好的预定义的（通常是手工制作的）功能，我们的框架可以联合执行功能学习（通过学习捕获每个时间序列中的显著特征的\emph{shapelets}的深层次），以及动态截断模型，以帮助我们的深度特征学习架构专注于每个时间序列的早期部分。因此，我们的框架能够做出高度可靠的早期预测，优于各种最先进的早期时间序列分类方法，同时与使用\emph{fully observed}时间序列数据的最先进的时间序列分类算法相比也具有竞争力。据我们所知，该框架是第一个在时间序列数据的早期分类背景下执行数据驱动（深度）特征学习的框架。我们在几个基准数据集上进行了一组全面的实验，结果表明，我们的方法比为早期时间序列分类设计的各种最先进的方法产生了更好的预测。除了获得高精度外，我们的实验还表明，学习到的基于深度形状的特征也具有高度的可解释性，可以帮助更好地理解时间序列数据的潜在特征。
2016-11-14 cs.LG
Stop&Hop: Early Classification of Irregular Time Series
Massachusetts Institute of Technology（麻省理工学院）；Worcester Polytechnic Institute（伍斯特理工学院）
早期的分类算法可以帮助用户更快地对机器学习模型的预测做出反应。例如，医院的早期预警系统可以让临床医生通过准确预测感染来改善患者的预后。虽然早期的分类系统正在迅速发展，但仍然存在一个重大差距：现有系统不考虑不规则的时间序列，这些时间序列在其观测之间存在不均匀且往往很长的差距。众所周知，此类系列在医疗保健等有影响力的领域非常普遍。我们弥合了这一差距，并研究不规则时间序列的早期分类，这是早期分类器的一个新设置，为更多现实世界的问题打开了大门。我们的解决方案Stop&Hop使用连续时间递归网络来实时的建模正在进行的不规则时间序列，而通过强化学习训练的不规则感知停止策略可以预测何时停止并对流式序列进行分类。通过采用实值步长，停止策略灵活地决定何时实时的停止正在进行的序列。通过这种方式，Stop&Hop无缝集成了观测时间中包含的信息，这是这种设置中早期分类的一个新的重要来源，具有时间序列值，为不规则时间序列提供早期分类。使用四个合成数据集和三个真实世界的数据集，我们证明了Stop&Hop始终比适应这个新问题的最先进的替代方案更早，更准确的预测。我们的代码可在https://github.com/thartvigsen/StopAndHop上公开获取。
2022-08-21 cs.LG
Early detection of disease outbreaks and non-outbreaks using incidence data
University of Alberta（阿尔伯塔大学）；University of Victoria（维多利亚大学）；Alberta Machine Intelligence Institute（阿尔伯塔机器学习研究所）
本研究提出基于特征的时间序列分类框架，无需真实训练数据即可通过统计特征与预警指标早期区分疾病暴发与非暴发序列，在合成数据及新加坡新冠、香港非典真实数据中均验证了有效性。
2024-04-13 cs.LG math.DS q-bio.PE
Predicting the trajectory of intracranial pressure in patients with traumatic brain injury: evaluation of a foundation model for time series
针对创伤性脑损伤患者颅内压升高预警中数据有限的问题，本研究评估了利用迁移学习的时间序列基础模型作为预测解决方案的潜力。
2024-10-18 stat.AP stat.ME
Sequential Break-Point Detection in Stationary Time Series: An Application to Monitoring Economic Indicators
通过预警系统监测经济状况和金融稳定，是预防突发经济事件的一种机制。本文通过大量的仿真实验，研究了平稳时间序列回归模型的序贯断点检测器的统计性能。我们采用在线序列计划来监测欧洲和美国金融市场在2008年金融危机期间的经济指标。我们的研究结果表明，这些测试的性能适用于平稳的时间序列回归，如AR（1）以及AR（1）-GARCH（1，1）依赖于严重程度的突破，以及在样本周期内的断点的位置。因此，我们的研究提供了一些有用的见解，从业者在经济和金融条件下的连续断点检测。
2021-12-13 stat.AP
When is Early Classification of Time Series Meaningful?
University of California Riverside（加州大学河滨分校）
自二十年前提出以来，人们对时间序列的早期分类问题越来越感兴趣。这个问题将经典的时间序列分类推广到只看到目标模式的一些前缀后，我们是否可以以足够的准确度和置信度对时间序列子序列进行分类。这样做的想法是，较早的分类将使我们能够在一个有可能进行一些实际干预的领域立即采取行动。例如，这种干预可能是发出警报或在汽车中应用刹车。在这项工作中，我们提出了一个令人惊讶的主张。尽管有几十篇关于时间序列早期分类的论文，但尚不清楚它们中的任何一篇是否能在现实世界中发挥作用。问题不在于算法本身，而在于模糊和不明确的问题描述。基本上，所有算法都对问题做出了隐含的和毫无根据的假设，这将确保它们会受到假阳性和假阴性的困扰，即使它们的结果表明它们可以获得近乎完美的结果。我们将用新的见解和实验解释我们的发现，并向社区提供建议。
2022-09-03 cs.LG
Multivariate Time Series Early Classification Across Channel and Time Dimensions
Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）
针对多变量时间序列早期分类仅关注时间维度的问题，提出一种利用强化学习并引入约束的灵活流水线，将早期分类范式扩展至通道维度，在同等输入利用率下提升了准确率。
2023-06-26 cs.AI cs.LG
Classifiers With a Reject Option for Early Time-Series Classification
University of California（加利福尼亚大学）；Babes-Bolyai University（巴贝什-博利亚伊大学）
动态环境下时间序列数据的早期分类是信号处理中一个具有挑战性的重要问题。本文提出了一种具有拒绝选项的分类器架构，能够在线决策，而无需等待整个时间序列信号。其主要思想是尽可能早地以可接受的精度对气味/气体信号进行分类。该方法不使用分类器的后验概率，而是使用集合的“一致性”来决定是否接受或拒绝候选标签。将该算法应用于气味分类的生化问题，构建了一种新的电子鼻--Forefront-Nose。风洞实验台上的实验结果证实了鲁棒性的前鼻相比，标准分类器从早期和识别的角度。
2013-12-14 cs.CV cs.LG
Integrating Physiological Time Series and Clinical Notes with Transformer for Early Prediction of Sepsis
UC, Davis Health（加州大学戴维斯健康中心）；University of California, Santa Barbara（加州大学圣巴巴拉分校）
脓毒症是重症监护病房（ICU）的主要死亡原因。脓毒症的早期检测对患者的生存至关重要。在本文中，我们提出了一个多模式Transformer模型，用于早期脓毒症预测，使用生理时间序列数据和临床笔记，为每个病人在ICU入院$36$小时。具体而言，我们的目标是仅使用前12，18，24，30和36小时的实验室测量，生命体征，患者人口统计学和临床记录来预测脓毒症。我们在两个大型重症监护数据集上评估了我们的模型：MIMIC-III和eICU-CRD。所提出的方法与六个基线进行了比较。此外，进行消融分析和病例研究，以研究模型的每个单独组件的影响和每个数据模态对早期脓毒症预测的贡献。实验结果表明，我们的方法的有效性，它优于竞争基线的所有指标。
2022-03-28 cs.AI cs.LG
Early Classification of Time Series: A Survey and Benchmark
Orange Research（Orange研究）
本文针对时间序列早期分类（ECTS）领域缺乏统一评估基准的问题，梳理了解耦决策与预测组件的ECTS方法分类，开展9种SOTA算法的大规模对比实验，并开源集成相关算法的工具库。
2025-11-17 cs.LG
Alert: Learning Trigger Functions for Early Classification of Time Series using Deep-RL
Orange Innovation（奥兰治创新中心）；AgroParisTech（巴黎农艺学院）
针对时间序列早期分类的触发函数优化问题，提出Deep-RL框架Alert及变体Alert+，经30个数据集验证，Alert+在平衡准确率与延迟上优于传统方法，已发布支持研究与应用。
2026-09-01 cs.LG
Early Classification of Time Series in Non-Stationary Cost Regimes
Orange Research（Orange研究院）
本文研究了在非平稳成本环境下时间序列的早期分类问题，提出在线学习方法提升分类鲁棒性，实验证明强化学习策略在不同成本制度下表现稳定。
2026-04-03 cs.LG
Benefit-aware Early Prediction of Health Outcomes on Multivariate EEG Time Series
Carnegie Mellon University（卡内基梅隆大学）；Amazon Inc.（亚马逊公司）；National University of Singapore（新加坡国立大学）；University of Pittsburgh（匹兹堡大学）
针对ICU中脑电监测的早期预测问题，提出BeneFitter，通过统一效益目标实现早期性与准确性的权衡，支持多变量变长时间序列，训练线性且实时，节省多达2倍时间且准确率不降。
2021-11-11 cs.LG
FETERS: Few-Shot Early Time-Series Classification via Effective Ratio Selection
本文提出FETERS少样本早期时间序列分类框架，通过类留一法选停止比率、惩罚奖励函数平衡权衡，结合Rocket特征与Chronos表示，在69个数据集的5样本设置下达最优性能。
2026-08-18 cs.LG
MEET-Sepsis: Multi-Endogenous-View Enhanced Time-Series Representation Learning for Early Sepsis Prediction
Guangdong University of Technology（广东技术大学）；Women and Children's Medical Center of Southern Medical University（南方医科大学妇女儿童医疗中心）；Shenzhen Maternity and Child Healthcare Hospital（深圳妇幼保健医院）；Shenzhen BH-Energy Technology Co., Ltd.（深圳BH能源科技有限公司）；Hong Kong Baptist University（香港 Baptist大学）
针对早期脓毒症信号微弱难捕捉的问题，提出MEET-Sepsis框架，通过MERE多视图增强与CDTA多尺度时序注意力，仅用SOTA方法20%的监测时间即取得有竞争力的预测准确率。
2025-10-21 cs.AI cs.LG
End-to-end Early Classification of Time Series in Non-Stationary Environments
Orange Research（奥朗日研究中心）；AgroParisTech（巴黎高等农业工程师学院）
本研究针对非平稳环境下的时间序列早期分类问题，提出基于强化学习的DQeND端到端架构，联合学习表示、分类与触发决策，其鲁棒性和性能优于可分离基线，验证了端到端学习的优势。
2026-08-21 cs.LG
ChemTime: Rapid and Early Classification for Multivariate Time Series Classification of Chemical Sensors
Worcester Polytechnic Institute（伍斯特理工学院）；U.S. Army DEVCOM Soldier Center（美国陆军DEVCOM士兵中心）
针对化学电阻传感器阵列的化学检测需求，该研究调研相关分类方法，提出新型ChemTime多变量时间序列分类方法，在保证轻量设备性能的同时实现快速早期分类与高精度。
2023-12-15 cs.LG q-bio.QM
Forecasting Anomaly Precursors via Uncertainty-Aware Time-Series Ensembles
Department of Industrial & Management Engineering, Korea University（韩国大学工业与管理工程系）；Department of Industrial Engineering, Seoul National University（首尔国立大学工业工程系）；LG CNS
FATE通过不确定性感知的时间序列集成方法，有效检测异常前兆，无需异常标签，在多个数据集上取得显著提升。
2026-02-19 cs.AI cs.LG
XMTC: Explainable Early Classification of Multivariate Time Series in Reach-to-Grasp Hand Kinematics
University of Münster（明斯特大学）；Saarland University（萨尔大学）
本文提出XMTC工具，通过集成多机器学习方法和多视图可视化，在伸手抓握动作中实现多变量时间序列的可解释早期分类，并验证了其在真实HCI数据上的有效性。
2025-02-06 cs.GR cs.HC cs.LG
Event-Based Early Warning of Vineyard Disease Risk from Environmental Time Series
Faculty of Computer Science and Engineering, Ss. Cyril and Methodius University（圣西里尔与美多德大学计算机科学与工程学院）
本文提出基于事件的环境时间序列预警方法，将葡萄园病害预测重构为未来3-7天风险期转变预测，评估多种模型，验证其支持短时预警并优于传统每日分类。
2026-09-23 cs.LG
Early Abandoning and Pruning for Elastic Distances including Dynamic Time Warping
Monash University（莫纳什大学）
弹性距离下的最近邻搜索是时间序列分析的一个重要工具，支持许多应用。然而，距离的直接实现需要$O(n^2)$空间和时间复杂度，从而阻止这些应用扩展到长系列。许多工作都致力于加快NN搜索过程，主要是下限的发展，允许在超过给定阈值时避免昂贵的距离计算。由相似性搜索过程提供的该阈值还允许提前放弃距离本身的计算。另一种方法是修剪部分计算。所有这些技术都是相互正交的。在这项工作中，我们开发了一个新的通用策略，“EAPruned”，紧密结合修剪与早期放弃。我们将其应用于六个弹性距离措施：DTW，CDTW，WDTW，ERP，MSM和TWE，在NN搜索应用程序中显示出显着的加速。单独修剪也显示了一些距离的显著加速，有利于NN搜索范围之外的应用（例如，需要所有成对距离），因此早期放弃不适用。我们将我们的实现作为一个新的C++库的一部分发布，用于时间序列分类，以及易于使用的Python/Numpy绑定。
2021-06-03 cs.LG
DE3S: Dual-Enhanced Soft-Sparse-Shape Learning for Medical Early Time-Series Classification
Guangdong University of Technology（广东工业大学）；Shenzhen Maternity and Child Healthcare Hospital（深圳妇幼保健医院）；Hong Kong Baptist University（香港 Baptist大学）
DE3S通过双增强、注意力补丁、稀疏专家混合和多尺度Inception模块，解决医学早期时间序列分类中微弱信号建模及局部与全局特征兼顾的难题，在多个医学数据集上取得领先的早期预测性能。
2025-11-05 cs.AI cs.LG
Snippet Policy Network for Multi-class Varied-length ECG Early Classification
National Yang Ming Chiao Tung University（国立阳明交通大学）；Oklahoma State University（俄克拉荷马州立大学）
从心电图中检测心律失常是心血管疾病预防和诊断的重要研究课题。目前的研究将心电图中的心律失常检测归结为一个时间序列分类问题。同时，心律失常的早期检测提出了早期预防和诊断的现实需求。在本文中，我们解决了心血管疾病的早期分类问题，这是一个变长度和长长度的时间序列的早期分类问题。为了解决这个问题，我们提出了一个基于深度强化学习的框架，即Snippet策略网络（SPN），由四个模块组成，片段生成器，骨干网络，控制代理，和过滤器。与现有方法相比，该框架具有输入长度灵活的特点，解决了提前性和准确性目标的双重优化问题。实验结果表明，该算法的识别准确率达到80%以上.与最先进的方法相比，所提出的SPN在不同的指标上至少有7%的改进，包括精确度，召回率，F1分数和调和平均值。据我们所知，这是第一个工作集中在解决心血管早期分类问题的基础上，不同长度的ECG数据。基于SPN的这些优良特性，它为解决各种变长时间序列的早期分类问题提供了一个很好的范例。
2021-07-28 cs.LG eess.SP
Early Recognition of Sepsis with Gaussian Process Temporal Convolutional Networks and Dynamic Time Warping
ETH Zurich（苏黎世联邦理工学院）；SIB Swiss Institute of Bioinformatics（瑞士生物信息学研究所）
脓毒症是一种危及生命的宿主对感染的反应，与高死亡率、发病率和健康成本相关。它的管理是高度时间敏感的，因为每一个小时的延误治疗增加死亡率由于不可逆转的器官损伤。与此同时，尽管进行了数十年的临床研究，但仍缺少脓毒症的可靠生物标志物。因此，通过利用丰富的高分辨率重症监护记录来早期检测脓毒症已经成为一个具有挑战性的机器学习问题。深度学习和数据采掘的最新进展有望提供一套强大的工具来有效地解决这一任务。这项实证研究提出了两种新的方法，早期检测败血症：一个深度学习模型和一个懒惰的学习者基于时间序列的距离。我们的深度学习模型采用了嵌入在多任务高斯过程适配器框架中的时间卷积网络，使其直接适用于不规则间隔的时间序列数据。相比之下，我们的懒惰学习器是一种采用动态时间扭曲的集成方法。我们将脓毒症的及时检测框架为监督时间序列分类任务。为此，我们以每小时的分辨率导出最新的脓毒症定义，以提供第一个完全可访问的早期脓毒症检测环境。在脓毒症发病前7小时，我们的方法将精确-召回曲线下面积从0.25提高到0.35/0.40，这表明它们非常适合在管理最有效的关键早期阶段检测脓毒症。
2020-10-15 cs.LG stat.AP stat.ML
Early Prediction of Causes (not Effects) in Healthcare by Long-Term Clinical Time Series Forecasting
Heidelberg University（海德堡大学）
提出通过长期时间序列预测直接预测临床变量原因而非结果，利用 Transformer 结合密集编码器和迭代多步解码器，实现可解释且通用的早期综合征诊断。
2024-08-26 cs.LG
Early Churn Prediction from Large Scale User-Product Interaction Time Series
Dream11
本文将用户流失预测建模为多变量时间序列分类，提出结合用户活动数据与深度神经网络的方法，以减少复杂特征工程并实现大规模早期流失预测。
2023-09-25 cs.AI cs.LG
Sensor-Aware Classifiers for Energy-Efficient Time Series Applications on IoT Devices
Washington State University（华盛顿州立大学）
针对物联网时间序列应用中完整传感器数据窗口处理能耗高的问题，提出带多早退分支的传感器感知分类器，用部分数据高置信推理时就让传感器低功耗，6个数据集验证可在不影响准确率的前提下平均节能最高50%-60%。
2024-07-11 cs.LG
Leveraging Patient Similarity and Time Series Data in Healthcare Predictive Models
University of Utah（犹他大学）
患者时间序列分类面临着高维性和缺失性的挑战。根据患者相似性理论，本研究探索有效的时间特征工程和减少，缺失值填补，和变化点检测方法，可以提供基于相似性的分类模型与期望的准确性增强。我们选择了一个分段聚集近似方法来提取细粒度的时间特征，并提出了一个最小的方法来填补时间特征中的缺失值。对于降维，我们采用了梯度下降搜索方法的特征权重分配。我们提出了新的患者状态和方向变化的定义，根据医学知识或临床指南的值范围为不同的患者状态水平，并开发了一种方法来检测变化点，指示积极或消极的患者状态变化。我们评估所提出的方法的有效性的背景下，早期重症监护病房死亡率预测。评估结果表明，k-最近邻算法，结合我们选择的方法，并提出显着优于早期ICU死亡率预测的相关基准。本研究通过识别和增强基于相似性的时间序列分类的时间特征工程和约简方法，为时间序列分类和早期ICU死亡率预测做出贡献。
2017-04-30 cs.AI cs.LG
Deep Learning for Detecting and Early Predicting Chronic Obstructive Pulmonary Disease from Spirogram Time Series
Tianjin University of Technology（天津理工大学）；Tsinghua University（清华大学）；The Second Hospital of Tianjin Medical University（天津医科大学第二医院）；Peking University People’s Hospital（北京大学人民医院）；HeartVoice Medical Technology（声脉医疗科技）；University of Oxford（牛津大学）；Peking University（北京大学）
本研究提出了一种基于深度学习的方法DeepSpiro，通过分析肺活量图时间序列，实现了对慢性阻塞性肺疾病（COPD）的检测及其未来风险的早期预测，并在UK Biobank数据集上验证了其有效性。
2024-12-28 cs.AI cs.LG
Multimodal Deep Learning for Early Prediction of Patient Deterioration in the ICU: Integrating Time-Series EHR Data with Clinical Notes
本文提出一种多模态深度学习方法，结合结构化时间序列数据和非结构化临床笔记，用于预测ICU患者恶化。模型在MIMIC-IV数据库上训练，测试集AUROC达0.7857，临床笔记提升AUROC2.5个百分点。
2026-03-16 cs.LG
Early-stage detection of cognitive impairment by hybrid quantum-classical algorithm using resting-state functional MRI time-series
Yonsei University（延世大学）；College of Medicine, Yonsei University（延世大学医学院）
本研究提出混合量子-经典算法，结合一维卷积层与量子卷积神经网络对静息态fMRI时间序列进行分类，实现早期认知障碍检测，并验证了九个关键脑区的神经科学有效性。
2024-03-16 cs.AI cs.LG q-bio.NC
FastFlow: Early Yet Robust Network Flow Classification using the Minimal Number of Time-Series Packets
University of New South Wales（新南威尔士大学）
本文提出FastFlow，一种基于强化学习与LSTM的时间序列流分类方法，通过动态选择最少数据包实现早期、鲁棒且能检测未知类型的网络流分类。
2025-04-02 cs.LG cs.NI
Forecasting Early with Meta Learning
University of Hildesheim（希尔德斯海姆大学）
针对时间序列早期观测数据不足的问题，提出元学习模型FEML，结合共享卷积骨干与数据集专属头，利用对抗生成样本增强，实现跨数据集元学习，提升早期预测性能。
2023-07-19 cs.LG
Early Detection of Multidrug Resistance Using Multivariate Time Series Analysis and Interpretable Patient-Similarity Representations
URJC（乌拉圭国家研究委员会）
本研究提出可解释的机器学习框架，利用多变量时间序列分析患者相似性，通过图网络和聚类实现多重耐药早期预测，AUC达81%，优于基线模型。
2025-04-24 cs.AI cs.LG
Early Detection of Forest Calamities in Homogeneous Stands -- Deep Learning Applied to Bark-Beetle Outbreaks
Intelligent System Research Group University of Applied Science Karlsruhe（应用科技大学智能系统研究组）；ThüringenForst AöR Forstliches Forschungs- und Kompetenzzentrum (FFK)（图林根林业局林业研究与竞争力中心）
本文提出基于LSTM自编码器的深度学习方法，用于早期检测森林健康异常，如松树甲虫爆发，具有更高的检测效率和更低的资源需求。
2025-05-13 cs.LG
PPMF: A Patient-based Predictive Modeling Framework for Early ICU Mortality Prediction
University of Utah（犹他大学）
迄今为止，开发一个良好的模型用于早期重症监护病房（ICU）死亡率预测仍然具有挑战性。本文提出了一种基于患者的预测建模框架（PPMF），以提高ICU死亡率预测的性能，使用在ICU入院的前48小时内收集的数据。PPMF由三个主要部分组成，验证了三个相关的研究假设。第一组件使用患者的时间序列数据（例如，生命体征和实验室检查）。第二部分是局部近似算法，其基于患者的相似性对患者进行分类。第三个组件是Gradient Decent包装器，它根据分类反馈更新特征权重。使用MIMICIII数据的实验表明，PPMF显著优于：（1）严重性评分系统，即SASP III，APACHE IV和MPM0 III，（2）利用汇总时间序列的基于聚集的分类器，以及（3）基线特征选择方法。
2017-04-25 cs.AI cs.LG
