On the Detectability of Conflict: a Remote Sensing Study of the Rohingya Conflict
通过遥感方式发现冲突并加以量化，是人权监测的一个具有挑战性但又至关重要的方面。在这项工作中，我们将以缅甸若开邦的罗兴亚冲突为案例研究，展示如何利用多模态数据源帮助构建冲突和人口流离失所的全面图景。我们发现，时间序列分析的火灾探测中分辨率成像光谱仪（MODIS）和可见光红外成像辐射计套件（VIIRS）可以揭示异常的空间和时间分布的火灾有关的冲突。这项工作还表明，合成孔径雷达的后向散射和相干数据即使在多云条件下也能探测到建筑物和村庄被夷为平地和烧毁的情况。这些技术今后可能会得到进一步发展，以便能够监测和探测源自这些类型冲突的信号。
2020-03-19 stat.AP
Filtering the intensity of public concern from social media count data with jumps
从Twitter等在线社交媒体数据中获得的计数时间序列在过去十年中引起了学术界和市场分析师越来越大的兴趣。将Web活动记录转换为计数产生具有特殊特征的时间序列，包括平滑路径和突然跳跃的共存，以及横截面和时间依赖性。利用Twitter上关于英国和美国国家风险的帖子，本文提出了一个创新的多变量跳跃计数数据的状态空间模型。我们使用所提出的模型来评估这些国家对市场体系的公众关注的影响。为了做到这一点，从Twitter数据中推断出的公众关注被分解为特定国家的持续性术语，风险社会放大事件和国家系列的共同运动。确定的组成部分，然后用来调查的存在和规模的国家风险溢出效应和社会放大效应对金融市场的波动。
2020-12-24 econ.EM stat.AP
A Wavelet Method for Panel Models with Jump Discontinuities in the Parameters
虽然单变量时间序列的结构突变点分析存在大量的文献，大型面板数据模型的研究还没有广泛的。本文提出了一种新的多结构变化面板模型参数估计方法。允许突变发生在未知的时间点，并且可能单独影响多变量斜率参数。我们的方法适应Haar小波的观测变量的结构，以检测参数的变化点一致。我们还开发了在我们的建模框架内解决内生回归的方法。我们的估计量的渐近性质建立。在我们的应用程序中，我们研究了算法交易对市场质量标准指标的影响，例如流动性和波动性，涵盖了2007年开始的金融危机。我们能够自动检测回归斜率参数的跳跃，而无需使用特设子样本选择标准。
2021-09-22 econ.EM math.ST stat.TH
Neural Jump Ordinary Differential Equations: Consistent Continuous-Time Prediction and Filtering
ETH Zurich（苏黎世联邦理工学院）
神经ODE与递归神经网络（RNN）的组合，如GRU-ODE-Bayes或ODE-RNN，非常适合对不规则观测的时间序列进行建模。虽然这些模型优于现有的离散时间方法，但没有理论保证其预测能力。假设不规则采样的时间序列数据来源于一个连续的随机过程，$L^2$ -最优在线预测是给定当前可用信息的条件期望。我们介绍了神经跳跃ODE（NJ-ODE），它提供了一个数据驱动的方法来学习，连续的时间，一个随机过程的条件期望。我们的方法用神经ODE对两个观测值之间的条件期望进行建模，并在每次进行新观测时进行跳跃。我们定义了一个新的培训框架，这使我们能够证明理论保证的第一次。特别是，我们表明，我们的模型的输出收敛到$L^2$ -最优预测。这可以解释为解决一个特殊的过滤问题。我们提供的实验表明，理论结果也持有经验。此外，我们的实验表明，我们的模型在更复杂的学习任务中优于基线，并在现实世界的数据集上进行了比较。
2021-04-16 cs.LG math.PR q-fin.CP
Revealing the temporal dynamics of antibiotic anomalies in the infant gut microbiome with neural jump ODEs
本研究提出基于神经跳跃常微分方程的非均匀采样时间序列异常检测框架，可准确识别合成数据异常，揭示婴儿肠道微生物组抗生素扰动的时间动态特征，且预测抗生素事件性能优于基线方法，为优化干预方案提供支撑。
2025-09-30 cs.LG math.PR q-bio.QM
Non-Linear Non-Stationary Heteroscedasticity Volatility for Tracking of Jump Processes
在本文中，我们介绍了一种新的跳跃过程建模，它涉及一种特殊的非高斯随机过程的随机跳跃在随机时间点。本研究的主要目的是提供一种基于非线性非平稳异方差（NNH）时间序列的精确跟踪技术。事实上，很难跟踪跳跃过程，因为非高斯性是这些过程的固有特征。所提出的NNH模型是条件高斯模型，其条件方差是时变的。因此，我们使用卡尔曼滤波器进行状态跟踪。我们分析表明，建议的NNH模型是优于传统的方法。此外，为了验证研究结果，进行了模拟。最后，将该方法与其他替代技术进行了比较。
2019-02-12 stat.AP
A note on Herglotz's theorem for time series on function spaces
本文证明了Hilbert值时间序列的Herglotz定理。这需要算子值测度的概念，我们将使它在我们的设定中精确。函数时间序列的Herglotz定理可以推广现有的结果，这些结果是函数空间上的频域分析的核心。特别地，我们利用这个结果证明了一大类过程的函数Cram{é}r表示的存在性，包括那些在谱分布和长记忆过程中具有跳跃的过程.此外，我们得到了一个最佳的有限维减少的时间序列在较弱的假设下比现有的文献。因此，本文的结果使傅里叶分析的过程，谱密度算子不一定存在。
2019-07-26 math.ST stat.TH
Neural Jump Stochastic Differential Equations
Cornell University（康奈尔大学）
许多时间序列是由确定性连续流与随机事件引发的离散跳跃相结合而有效生成的。然而，我们通常没有描述流动的运动方程，或者它们如何受到跳跃的影响。为此，我们引入了神经跳跃随机微分方程，它提供了一种数据驱动的方法来学习连续和离散的动态行为，即，流动和跳跃的混合系统。我们的方法扩展了神经常微分方程的框架与随机过程项，模型离散事件。然后，我们建模时间点过程与分段连续的潜轨，其中的不连续性是由随机事件的条件强度取决于潜在的状态。我们在一系列合成和真实世界的标记点过程数据集上展示了我们模型的预测能力，包括经典点过程（如Hawkes过程），Stack Overflow，医疗记录和地震监测的奖项。
2020-01-07 cs.LG stat.ML
Simultaneous multiple change-point and factor analysis for high-dimensional time series
我们提出了第一个全面的治疗高维时间序列因子模型与多个变点在其二阶结构。我们在分段平稳性的最灵活的定义下操作，并一致地估计变点的数量和位置，以及确定它们是否起源于共同或特殊的组件。利用小波变换，将高维时间序列二阶结构的变点检测问题转化为高维面板数据的变点检测问题。此外，我们的方法规避了困难的问题，准确估计的真实数量的因素存在多个变点，通过采用筛选程序。我们进一步表明，一致的因素分析，实现了在每个部分所定义的变点估计所提出的方法。在广泛的模拟研究中，我们观察到，变点检测前的因素分析提高了变点的可检测性，并确定和描述了一个有趣的“溢出”效应，其中特质成分中的实质性突破很自然地被确定为共同成分中的变点，这促使我们将相应的变点也视为一种形式的“因素”。我们的方法是在R包{ \tt factorcpt}中实现的，可从CRAN获得。
2018-05-29 stat.ME
Topological Detection of Hopf Bifurcations via Persistent Homology: A Functional Criterion from Time Series
University of Minho（米尼奥大学）；Universidad del Atlántico（大西洋大学）
本文提出基于持续同调的时间序列霍普夫分岔检测方法，通过一维同调特征的出现或消失构建可计算准则，无需了解底层方程即可识别临界参数。
2026-08-24 math.AT math.DS stat.ML
Inference on the change point in high dimensional time series models via plug in least squares
本文研究了变点参数的插入式最小二乘估计，其中变点参数是次高斯分布或次指数分布下的高维随机向量的均值。我们得到了充分的条件下，该估计具有足够的适应性对插件的平均参数的估计，以产生一个最佳的收敛速度$O_p(ξ^{-2})$的整数规模。在亚高斯和亚指数情况下分别提供$s\log (p\vee T)=o(\surd(Tl_T))$或$s\log^{3/2}(p\vee T)=o(\surd(Tl_T))$的同时，保持该速率，同时允许高维度以及潜在减小的跳跃大小$ξ,$。这里$s,p,T$和$l_T$表示稀疏参数、模型维数、采样周期和变化点与其参数边界的分离。此外，由于收敛速度不受$s,p$和$T,$的对数项的影响，因此允许极限分布的存在。这些分布，然后导出为{ \it argmax}的双边负漂移布朗运动或双边负漂移随机游动下消失和非零跳跃大小制度，分别。从而允许在高维设置中推断变点参数。所提出的方法的实施提供了可行的算法。理论结果与蒙特卡洛模拟支持。
2020-07-11 stat.ME stat.ML
Changepoint detection on a graph of time series
当分析可能受到变化点影响的多个时间序列时，有时可以通过图形先验地指定哪些时间序列对可能受到同时变化点的影响。本文提出了一个信息前的变化点编码的图形中包含的信息，诱导多个时间序列的变化点模型，借用跨集群的连接时间序列检测同步变化点的弱信号的强度。用于变化点的图形模型被进一步扩展以允许图中相邻时间序列上的附近但不一定同步的变化点之间的依赖性。提出了一种新的利用辅助变量的可逆跳马尔可夫链蒙特卡罗（MCMC）算法对图形变点模型进行采样。通过对洛斯阿拉莫斯国家实验室（LANL）的计算机网络认证日志进行变点分析，证明了所提出的方法的优点，从而证明了在检测通过网络连接连接的用户之间的网络入侵的弱信号方面的改进，同时限制了错误警报的数量。
2023-02-08 stat.ME
Estimating Networks With Jumps
我们研究的问题，估计一个随时间变化的系数和变化的结构（VCVS）图形模型的基础非平稳时间序列数据，如社会状态的相互作用的个人或基因网络的微阵列表达谱，而不是i.i.d.数据从一个不变的模型，广泛认为在目前的文献结构估计。特别是，我们考虑的情况下，该模型的演变在一个分段的常数的方式。我们提出了一个程序，最大限度地减少所谓的TESLA损失（即，时间平滑的L1正则化回归），其允许联合估计VCVS模型的分区边界和分区的每个块上的稀疏精度矩阵的系数。提出了一种高度可扩展的近似梯度方法来解决由此产生的凸优化问题;并首次建立了这种估计器的稀疏估计条件以及分区边界和网络结构的收敛速度。
2010-12-20 stat.ML
Non-Stationarity in the Embedding Space of Time Series Foundation Models
Auton Lab（自动化实验室）；Robotics Institute（机器人研究所）；Carnegie Mellon University（卡内基梅隆大学）
研究时间序列基础模型嵌入空间中非平稳性的检测方法，分析不同分布非平稳性和时间非平稳性对模型检测能力的影响。
2026-04-06 cs.AI cs.LG stat.ML
Optimal Estimation of Generic Dynamics by Path-Dependent Neural Jump ODEs
ETH Zurich（苏黎世联邦理工学院）
该研究通过引入签名变换重构特性，提出路径依赖的神经跳跃ODE框架，将原框架的收敛性保证推广至非马尔可夫、不连续且观测不完全的通用随机过程，在非马尔可夫数据、随机滤波及LOB数据任务上表现更优。
2026-08-25 cs.LG cs.NA math.NA
Testing for jumps in processes with integral fractional part and jump-robust inference on the Hurst exponent
针对含跳跃的分数过程，提出基于高频数据的跳跃检验，证明统计量渐近服从Gumbel分布，并实现Hurst指数的跳跃稳健推断。
2024-05-13 math.ST stat.TH
Fourier transform methods for pathwise covariance estimation in the presence of jumps
我们提供了一个新的非参数傅立叶过程来估计的瞬时协方差过程的轨迹（从多维价格过程的离散观测）在跳跃的存在下扩展的开创性工作Malliavin和Mancino~ \cite{MM:02, MM:09}。我们的方法依赖于一个修改的（经典的）跳跃鲁棒估计的综合实现协方差估计的协方差轨迹的傅里叶系数。使用傅里叶-费耶尔反演，我们重建的瞬时协方差的路径。我们证明了一致性和中心极限定理（CLT），特别是渐近估计方差是较小的一个因素$ 2/3$相比，经典的本地估计。该程序是足够强大的，允许迭代，我们可以从理论上和经验上证明如何估计的瞬时随机协方差过程的综合实现协方差。我们将这些技术应用于金融多元建模的鲁棒校准问题，即，同时利用时间序列和衍生品价格信息选择定价指标。
2014-06-20 math.ST stat.TH
