Seasonally-Adjusted Auto-Regression of Vector Time Series
Stanford University(斯坦福大学)
提出了一种简单的预测向量时间序列的算法,该算法在训练和推理中对缺失数据具有鲁棒性。它对季节性的年度、每周和每日基线以及季节性调整残差的高斯过程进行建模。我们开发了一个自定义截断特征分解,以适应低秩加块对角高斯内核。使用Schur补进行推理,使用Tikhonov正则化来防止过拟合,并使用Woodbury公式来有效地反转内核的子矩阵。推理需要在时间序列维度上线性的内存和计算量,因此模型可以扩展到非常大的数据集。我们还提出了一个简单的“贪婪”网格搜索自动超参数调整。该文件附有沙皇(即,时间序列自回归器),一个实现该算法的Python库。
2019-11-04 cs.LG math.OC 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
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
LSTM-MSNet: Leveraging Forecasts on Sets of Related Time Series with Multiple Seasonal Patterns
Monash University(莫纳什大学)
生成具有多个季节性周期的时间序列的预测是当今许多行业的重要用例。在这些情况下,有必要考虑到多季节模式,以产生更准确和有意义的预测。在本文中,我们提出了长短期记忆多季节网络(LSTM-MSNet),一个基于分解的,统一的预测框架,预测具有多个季节模式的时间序列。该领域的现有技术通常是单变量方法,其中独立地估计每个时间序列的模型参数。因此,这些模型无法包括时间序列集合可能共享的关键模式和结构。相比之下,LSTM-MSNet是一个全局训练的长短期记忆网络(LSTM),其中跨所有可用的时间序列构建单个预测模型,以利用一组相关时间序列中的交叉序列知识。此外,我们的方法结合了一系列最先进的多季节分解技术来补充LSTM学习过程。在我们的实验中,我们能够证明,在来自不同数据源的数据集上,例如流行的M4预测竞赛,分解步骤是有益的,而在来自单个应用程序的同质序列的常见现实情况下,外源季节变量或根本没有季节预处理是更好的选择。所有选项都很容易包含在框架中,使我们能够在这两种情况下实现有竞争力的结果,优于许多最先进的多季节预测方法。
2020-04-27 cs.LG cs.NE stat.AP
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
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
A Triginometric Seasonal Component Model and its Application to Time Series with Two Types of Seasonality
本文提出有限三角级数季节性分量模型,用于处理同时具有长周期和短周期两类季节性的时间序列,并在电力、温度、CO2及经济数据上验证其有效性。
2024-07-06 stat.ME
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
Two-Stage Framework for Seasonal Time Series Forecasting
MIT Operations Research Center(麻省理工学院运筹学研究中心);MIT Laboratory for Financial Engineering(麻省理工学院金融工程实验室);Machine Intelligence Technology, Alibaba Group(阿里巴巴集团机器智能技术部)
季节性时间序列的预测仍然是一个具有挑战性的问题,由于长期依赖于季节性。在本文中,我们提出了一个两阶段的框架来预测单变量季节性时间序列。第一阶段明确地学习超出预测范围的时间窗口中的长期时间序列结构。通过结合学习的长期结构,第二阶段可以提高预测范围内的预测精度。在这两个阶段中,我们将自回归模型与神经网络相结合,以捕捉时间序列中的线性和非线性特征。我们的框架在M4竞赛小时数据集上实现了最先进的性能。特别是,我们表明,将第一阶段产生的中间结果,现有的预测模型,可以有效地提高其预测性能。
2021-03-03 cs.AI cs.LG stat.AP
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
Forecasting NIFTY 50 benchmark Index using Seasonal ARIMA time series models
Georgia Institute of Technology(佐治亚理工学院)
本文分析了如何利用时间序列分析技术来捕捉股票市场中交易所指数的运动。具体而言,季节性自回归综合移动平均(SARIMA)模型类被应用于捕捉Nifty 50指数的走势,该指数是全球最活跃的交易所交易合约之一[1]。总共评估了729个模型参数组合,并根据AIC标准选择了最合适的组合来进行最终预测[8]。NIFTY 50可用于多种用途,如基准基金组合,推出指数基金,交易所交易基金(ETF)和结构性产品。该指数跟踪蓝筹股公司投资组合的行为,蓝筹股公司是印度最大和最具流动性的证券,可以被视为印度股票市场的真实反映[2]。
2020-01-09 cs.LG q-fin.ST stat.AP
End-to-End Learned Early Classification of Time Series for In-Season Crop Type Mapping
École Polytechnique Fédérale de Lausanne (EPFL)(洛桑联邦理工学院);Univ. Bretagne Sud(南布列塔尼大学);CNRS(法国国家科学研究中心);IRISA(法国信息与随机系统研究所);Univ Lyon(里昂大学);UJM-Saint-Etienne(圣艾蒂安大学);Institut d Optique Graduate School(光学研究所研究生院);Univ. Rennes(雷恩大学);LETG(地理环境实验室)
遥感卫星以卫星时间序列数据记录的有规律的时间间隔捕捉地球的周期动态。经过端到端训练的深度学习模型使用这些时间序列数据进行大规模预测,例如,生成最新的作物覆盖图。大多数时间序列分类方法关注预测的准确性。然而,预测的早期性也非常重要,因为早期决策可以在时间敏感的应用中产生至关重要的差异。在这项工作中,我们提出了一个端到端的学习早期分类的时间序列(ELECTS)模型,估计分类得分和概率是否有足够的数据已被观察到来一个早期和仍然准确的决定。ELECTS是模块化的:任何深度时间序列分类模型都可以通过添加输出停止分类的概率的第二预测头来采用ELECTS概念思想。然后,ELECTS损失函数根据提前性和准确性的平衡目标优化整个模型。我们对来自欧洲和非洲的四个作物分类数据集进行的实验表明,ELECTS可以达到最先进的精度,同时大量减少需要下载、存储和处理的数据量。源代码可在https://github.com/marccoru/elects上获得。
2022-12-21 cs.LG stat.ML
Seasonal Count Time Series
计数时间序列在实践中被广泛遇到。与连续值数据一样,许多计数序列具有季节性。本文利用最近的进展,平稳计数时间序列开发一个通用的季节计数时间序列建模范例。该模型允许序列的任何边缘分布和最灵活的自相关性,包括负相关性。可以进行类似的推理方法,并且可以容易地容纳协变量。本文首先开发的建模方法,这需要一个离散变换的高斯过程具有季节动态。建立了这类模型的性质,并给出了参数估计的粒子滤波似然方法。一个模拟研究表明,该方法的有效性和应用程序的连续几周在西雅图,华盛顿州的雨天数。
2021-11-21 stat.ME
Forecasting of Multiple Seasonal Categorical Time Series Using Fourier Series with Application to AQI Data of Kolkata
Indian Statistical Institute(印度统计研究所)
本文提出利用傅里叶级数和指示函数建模多季节性分类时间序列,通过加尔各答AQI数据验证,提升了预测精度。
2026-03-04 stat.ME
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
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
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
Ensembles of Randomized NNs for Pattern-based Time Series Forecasting
Częstochowa University of Technology(琴希托霍瓦工业大学)
在这项工作中,我们提出了一个集成预测方法的基础上随机神经网络。改进的随机学习通过根据数据和目标函数特征生成网络参数来简化个体学习器的拟合能力。一个基于模式的时间序列表示,使所提出的方法适用于预测时间序列的多个季节性。我们提出了六个策略来控制合奏成员的多样性。对四个实际预报问题进行的案例研究验证了所提出的集合预报方法的有效性和优越性能。它在预测准确性方面优于统计模型以及最先进的机器学习模型。所提出的方法具有几个优点:快速和容易的训练,结构简单,易于实现,高精度和处理非平稳性和多个季节性的时间序列的能力。
2021-07-08 cs.LG stat.ML
Improving forecasting by subsampling seasonal time series
时间序列预测在现代商业决策中起着越来越重要的作用。在今天的数据丰富的环境中,人们的目标往往是为他们的数据选择最佳的预测模型。然而,确定最佳模型需要专业知识和经验,这使得准确预测成为一项具有挑战性的任务。为了减轻模型选择的重要性,我们提出了一个简单而可靠的算法,以提高预测性能。具体来说,我们从原始时间序列构造具有不同子季节的多个时间序列。这些衍生系列突出了原始系列的不同次季节模式,使预测方法能够捕捉数据的不同模式和组成部分。随后,我们分别用经典的统计模型(ETS或ARIMA)对这些多个序列进行预测。最后,将预测合并。我们评估我们的方法广泛使用的预测竞争数据集(M1,M3和M4)的点预测和预测区间。我们观察到的性能改进相比,基准。我们的方法是特别适合和强大的数据具有较高的频率。为了证明我们的主张的实用价值,我们展示了我们的方法表现出多种季节性模式的每小时负载数据的性能改进。
2021-12-16 stat.AP
Fourier-Enhanced Recurrent Neural Networks for Electrical Load Time Series Downscaling
Department of Statistics University of Chicago Chicago, IL, USA(统计学系 芝加哥大学);Computer Science Division Argonne National Laboratory(计算机科学 division 阿贡国家实验室)
本文提出一种结合傅里叶特征和自注意力机制的递归神经网络,用于提升电力负荷时间序列降尺度的精度与性能。
2025-11-27 cs.LG stat.ML
A nonstationary seasonal Dynamic Factor Model: an application to temperature time series from the state of Minas Gerais
本研究应用非平稳季节性动态因子模型分析米纳斯吉拉斯州气温数据,提取两个季节性因子,有效捕捉州级一般季节模式及区域差异,避免信息损失。
2025-10-17 stat.AP
Developing an Unsupervised Real-time Anomaly Detection Scheme for Time Series with Multi-seasonality
University of Warwick(华威大学);South China University of Technology(华南理工大学);Research Institute of Worldwide Byte Information Security(环球字节信息安全研究院);University of Birmingham(伯明翰大学)
时间序列异常的在线检测是机器人系统监控、智能传感器网络和数据中心安全等各种事件敏感场景中的关键技术。然而,数据源的日益多样化和需求的多样性使这项任务比以往任何时候都更具挑战性。首先,未标记数据的快速增长意味着监督学习在许多情况下变得不太适合。其次,时间序列数据中有很大一部分具有复杂的季节性特征。第三,在线异常检测需要快速可靠。鉴于此,我们已经开发了一个预测驱动的,无监督的异常检测方案,它采用了骨干模型相结合的时间序列数据的分解和推理。此外,我们提出了一种新的度量,局部趋势不一致性(LTI),和一个有效的检测算法,计算LTI在一个实时的【形】方式和评分的每个数据点鲁棒的概率是异常的。我们已经进行了广泛的实验,以评估我们的算法与来自公共存储库和生产环境的几个数据集。实验结果表明,我们的计划优于现有的代表性异常检测算法在常用的度量,曲线下面积(AUC),同时达到预期的效率。
2021-04-23 cs.LG cs.SY eess.SY
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
Inference of seasonal long-memory aggregate time series
具有定期和/或季节性长记忆的时间序列数据通常在分析之前进行汇总。通常,聚合规模足够大,可以消除潜在过程中的任何短期记忆成分,但太短,无法消除更长时期的季节性模式。在本文中,我们调查的限制相关结构的聚合时间序列的中间渐近框架内,试图捕捉上述采样方案。特别地,我们研究了离散时间过程中聚集体的自相关结构和谱密度函数。底层离散时间过程被假定为一个平稳的季节性自回归分数积分移动平均(SARFIMA)过程,经过适当数量的差分,如果必要的话,和底层过程的季节周期是聚合大小的倍数。我们推导出的聚合物的归一化谱密度函数的限制,随着聚集。限制聚合(季节性)长记忆模型,然后可能是有用的分析聚合的时间序列数据,这可以通过最大化的惠特尔可能性估计。证明了极大Whittle似然估计(谱极大似然估计)的相合性和渐近正态性,并通过模拟研究了它的有限样本性质。所提出的方法的有效性说明了现实生活中的互联网流量的例子。
2012-11-23 math.ST stat.TH
Report the Floor: A Training-Free Conformal Interval Is a Mandatory Baseline for Probabilistic Time-Series Forecasting
Independent researcher(独立研究者)
提出无参数、无训练的共形朴素区间作为概率预测的强基线,在2217个真实序列上击败了多种现有方法,并主张其应成为强制性基准。
2026-06-08 cs.LG stat.ML
Anomaly Detection on Seasonal Metrics via Robust Time Series Decomposition
Web服务的稳定性和持久性对于互联网公司改善用户体验和业务绩效至关重要。为了关注众多指标并报告异常情况,时间序列异常检测方法被开发并被公司和机构的各个部门应用。在本文中,我们提出了一个强大的异常检测算法(MEDIFF),实时监测在线业务指标。具体而言,分解方法使用强大的统计度量-中位数-的时间序列被应用到解耦的趋势和季节成分。在考虑夏令时偏移和节假日影响的情况下,对时间序列进行分解。对分解后的残差进行广义统计检验,发现时间序列中的异常值。我们比较了建议MEDIFF算法与两个开源算法(SH-ESD和DONUT),通过使用我们标记的内部业务指标。实验结果证明了所提出的MEDIFF算法的有效性。
2020-08-21 stat.AP
QBSD: Quartile-Based Seasonality Decomposition for Cost-Effective RAN KPI Forecasting
Global AI Accelerator, Ericsson(爱立信全球人工智能加速器)
提出QBSD,一种基于四分位数的季节性分解实时单步预测方法,在数千小区RAN KPI数据上实现高运行效率与竞争性预测精度,优于现有算法。
2024-11-04 cs.LG stat.ML
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
Variations on two-parameter families of forecasting functions: seasonal/nonseasonal Models, comparison to the exponential smoothing and ARIMA models, and applications to stock market data
我们介绍了24个双参数家庭先进的时间序列预测功能,使用一种新的和非参数的方法。我们还介绍了供电的概念,并推导出非季节性和季节性模型的例子在教育,销售,金融和经济。我们比较我们的24个模型的性能,霍尔特-温特斯和ARIMA模型的非季节性和季节性时间序列。我们特别表明,我们的模型不仅不需要分解成趋势,季节性和随机成分的季节性时间序列,但也导致大幅降低绝对误差和更高数量的预测比霍尔特-温特斯和ARIMA模型。最后,我们使用标准普尔500指数467家公司的五年股票市场数据,应用并比较了我们的24个模型的性能。
2022-07-13 math.ST q-fin.ST stat.ME
Trend and Variable-Phase Seasonality Estimation from Functional Data
估计时间序列数据中的趋势和季节性变化的问题已经研究了几十年,尽管大多数使用单一的时间序列。本文研究的问题,估计这些组件的功能数据,即多个时间序列,在季节性效应的情况下,表现出任意的时间扭曲或相位变化在不同的观察。而不是忽略相位变化,或使用现成的对齐方法来删除相位,我们采取基于模型的方法,并寻求趋势和季节性效应的MLE,同时对季节性效应进行对齐。使用基于坐标下降的优化方法计算趋势、季节性和相位的MLE。我们使用自举复制计算置信带和检验假设的估计组件。我们还利用对数似然选择趋势子空间,并与其他候选模型进行比较。该框架使用涉及合成数据和三个真实数据(伯克利增长速度,美国电力价格和美元汇率波动)的实验进行了演示。
2017-04-24 stat.AP
Parsimony, model adequacy and periodic correlation in forecasting time series
本文总结了我们最近在季节性河流流量预报方面的工作,说明了Box \& Jenkins(1970)的模拟原理的优点。具体来说,这项工作表明,简约的原则,这是最近受到质疑的几个作者,是有助于选择最佳模型预测季节性河流流量。我们的工作也证明了模型充分性的重要性。一个适合的季节性河流流量模型必须包含季节性的周期相关性。通常的自回归移动平均(ARMA)和季节ARMA模型在这方面是不够的季节性河流流量时间序列。本文提出了一种新的诊断检验方法,用于检验拟合ARMA模型的周期相关性。在拟合季节性ARMA模型时,建议常规使用此诊断检查。结果表明,这种诊断检查表明,许多季节性经济时间序列也表现出周期相关性。由于标准预测方法在这方面存在不足,因此可以得出结论,在许多情况下,所产生的预测是次优的。最后,还说明了预测的任意组合的局限性。结合预测从一个足够的吝啬模型与不足的模型并没有提高预测,而结合两个预测的两个不足的模型确实产生了改善预测性能。这些发现也支持Box \& Jenkins的模型构建理念。Newbold \& Granger(1974)和Winkler \& Makridakis(1983)的非直观发现,即相似模型的预测的明显任意组合将导致预测性能,但我们对河流流量预测的案例研究并不支持这一发现。
2016-11-04 math.ST stat.AP stat.TH
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
Detecting structural breaks in seasonal time series by regularized optimization
现实世界的系统往往是复杂的、动态的和非线性的。从观测到的时间序列中理解系统的动态特性是预测和控制系统行为的关键。虽然大多数现有的技术都默认了某种形式的平稳性或连续性,但通常由于外部干扰或内在动态的突然变化而引起的突变在时间序列中很常见。结构突变是指时间序列的统计模式发生变化的时间点,对数据分析构成相当大的挑战。如果不识别这样的突变点,相同的动态规则将应用于整个观察期,而错误的识别结构突变可能导致过拟合。在本文中,我们把一个时间序列分解成趋势和季节分量的问题转化为一个优化问题。这个问题是不适定的,因为参数的数目是任意的。为了克服这一困难,我们提出增加一个惩罚函数(即,正则化项),其说明参数的数量。我们的方法同时识别季节性和趋势,而不需要迭代,并允许可靠的检测结构性突变。该方法适用于记录的鱼类种群和海洋表面温度的数据,在那里它检测到结构性断裂,否则会被忽视。这表明,我们的方法可以导致一个通用的方法来监测,预测和预防实际系统中的结构变化。
2015-05-16 stat.AP stat.CO
Hong Kong Air Traffic: Explanation and Prediction based on Sparse Seasonal ARIMA Model
一个城市的月度空中交通量是一个具有明显季节性规律的时间序列,与城市的经济状况和社会环境密切相关。以香港为例,7月、8月、10月往往是车流的旺季,同时也有相对固定的淡季。在社会环境稳定的情况下,经过仔细辨识和拟合的季节性ARIMA模型能够较好地预测未来几个月的交通流量。本研究选取香港在金融风暴后及政治风暴前的航空交通数据,包括抵港及离港旅客数据。建立了稀疏季节ARIMA $(0,1,1)\times(4,1,0)_{12}$模型,在其$95\%$置信区间内,能正确预测2020年1 - 7月的空中交通量。此外,这项工作对时间序列进行了分解,发现金融危机、政治风暴和COVID-19爆发等重要事件在一定程度上影响了航空交通水平。比如,2019年之后发生的政治风暴和疫情防控,使得航空运输量大幅下降。根据我的稀疏季节性ARIMA模型,2020年2月至11月的空中交通量只有没有这两个事件时的$5\%$。这是时间序列模型在空中交通损失估计中的一个有价值的应用。
2021-08-12 stat.AP
Recurrent Neural Networks for Time Series Forecasting: Current Status and Future Directions
Monash University(莫纳什大学)
循环神经网络(RNN)已经成为有竞争力的预测方法,最值得注意的是最近的M4竞赛的获胜方法。然而,ETS和ARIMA等已建立的统计模型不仅因其高准确性而受到欢迎,而且还因其强大,高效和自动化而适用于非专家用户。在这些领域,RNN还有很长的路要走。我们提出了一个广泛的实证研究和现有的RNN预测架构的开源软件框架,使我们能够制定指导方针和最佳实践。例如,我们得出结论,如果数据集中的序列具有均匀的季节模式,则RNN能够直接对季节性进行建模,否则我们建议进行去季节化步骤。与ETS和ARIMA的比较表明,实现的(半)自动RNN模型不是银弹,但在许多情况下它们是有竞争力的替代品。
2020-12-23 cs.LG cs.NE stat.ML
Why Are the ARIMA and SARIMA not Sufficient
自回归滑动平均(ARMA)模型在时间序列分析中对广义平稳时间序列的分析中占有重要地位。引入差分算子和季节差分算子,分别作为ARIMA和SARIMA(Seasonal ARIMA)的基础,去除趋势和季节成分,将原始非平稳时间序列转化为广义平稳序列,然后用Box-Jenkins方法进行处理。然而,这种差分算子目前更多的是实践经验而不是精确的理论。在本文中,我们调查的权力(分别)。季节性)差分算子,并指出其特点和局限性。季节性)差分算子。此外,还提出了将非平稳(平均意义下的非平稳)随机过程转化为广义平稳的一般方法。
2021-03-02 cs.IT math.IT stat.AP
Detection of collective and point anomalies in the presence of trend and seasonality
研究在时间序列数据中存在趋势和季节性时检测集体和点异常的问题,核心方法是能同时检测两类异常并考虑趋势和季节性模式的新方法,贡献是建立统计理论,经模拟研究和实际应用验证了方法的有效性。
2026-07-20 math.ST stat.AP stat.ME
Global Fire Season Severity Analysis and Forecasting
在本文中,我们把地球划分成一个六边形网格,我们提取时间序列的每日火灾计数从每个单元来估计和分析全球火灾季节严重度(FSS),这里定义为在一个赛季的累计火灾探测。这里的中心问题是评估时间序列预测方法的准确性,仅使用主动火灾探测的历史数据来估计短期(月)和中期(季节)。这种方法简单、快速,并使用全球可用的数据,使其更容易进行大规模预测。我们的研究结果包括对全球季节性火灾活动的描述性和预测性分析。我们证实,在99%的细胞,火灾季节的长度短于7个月,57%的长度减少。我们还观察到,在61%的细胞中,活跃的火计数在季节中呈下降趋势。然而,巴西东北部和美国西海岸等一些地区呈现出增长趋势。我们验证了预测误差低于平均FSS中的95%的细胞,表明明确的可预测性的FSS。
2019-10-27 stat.AP
Time series features for supporting hydrometeorological explorations and predictions in ungauged locations using large datasets
基于回归的径流区域化框架是围绕传统上源于流域水文、洪水频率分析及其相互作用的流域属性建立的。在这项工作中,我们偏离了这条传统的道路,制定并广泛调查了第一个基于回归的径流区域化框架,这些框架主要来自数据科学的通用时间序列特征,更确切地说,来自各种各样的此类特征。我们重点研究了28个特征,包括(偏)自相关、熵、时间变化、季节性、趋势、块状、稳定性、非线性、线性、尖峰、曲率等。我们估计这些功能的每日温度,降水量和流量时间序列从511集水区,然后将它们与传统的地形,土地覆盖,土壤和地质属性的区域化背景。降水和温度特征(例如,降水时间序列的谱熵、季节性强度和滞后1自相关性,以及温度时间序列的稳定性和趋势强度)被发现是许多径流特征的有用预测因子。这同样适用于传统属性,例如流域平均海拔。预测变量和因变量之间的关系也被发现,而频谱熵,季节性强度和流量时间序列的几个自相关功能被发现是更区域化比别人。
2022-06-17 stat.AP stat.ME stat.ML
The Information Criterion GIC of Trend and Seasonal Adjustment Models
本文提出了一种计算非平稳状态空间模型的GIC和TIC的算法。通过扩展卡尔曼滤波器得到差分滤波器,得到计算GIC所需的对数似然函数的梯度和Hessian。非平稳时间序列模型的三个示例,即,提出了趋势模型、标准季节调整模型和具有平稳AR分量的季节调整模型,并举例说明了结构矩阵的确定。
2022-09-21 stat.ME
Time Series Analysis of Big Data for Electricity Price and Demand to Find Cyber-Attacks part 2: Decomposition Analysis
在本文中,在第一部分(使用ACI评估的ADF测试)已经进行,时间序列(TS)进行了分解分析。事实上,TS由四个分量组成,包括趋势(长期行为或序列的进展),周期性分量(通常是长期的非周期性波动行为),季节性分量(由于温度,天气条件等季节性变化而引起的周期性波动)。错误术语对于我们的网络攻击检测的情况下,在本文中,TS分解的两种常见的方法进行了研究。第一种方法是加法分解,第二种是乘法分解的TS到它的组件。分解后,使用Durbin-Watson和Breusch-Godfrey测试来测试错误项,以查看错误是否遵循任何可预测的模式,可以得出结论,系统有可能受到网络攻击。
2019-07-30 eess.SP stat.ML
Features of the Earth's seasonal hydroclimate: Characterizations and comparisons across the Koppen-Geiger climates and across continents
本文提出并应用全球尺度方法学框架,分析超13000个季节性时间序列,提取并比较跨柯本-盖格气候带与各大洲的水文气候特征,并利用可解释机器学习揭示最具区分度的特征。
2024-08-21 stat.AP stat.ME stat.ML
RobustTAD: Robust Time Series Anomaly Detection via Decomposition and Convolutional Neural Networks
DAMO Academy, Alibaba Group Inc.(阿里巴巴集团达摩院)
阿里巴巴集团对大量不同的时间序列数据进行监控和管理,需要一种有效且可扩展的时间序列异常检测服务。在本文中,我们提出了RobustRisk,一个鲁棒的时间序列异常检测框架,通过集成强大的季节趋势分解和卷积神经网络的时间序列数据。季节趋势分解可以有效地处理时间序列中的复杂模式,同时大大简化了神经网络的结构,这是一个具有跳跃连接的编码器-解码器结构。该结构能够有效地从时间序列中提取多尺度信息,在异常检测中具有重要的应用价值。由于时间序列异常检测中标记数据的有限性,本文系统地研究了时域和频域的数据增强方法。利用时间序列异常检测问题的不平衡性,在损失函数中引入了基于标签的权重和基于值的权重。与广泛使用的基于预测的异常检测算法、基于分解的算法、传统的统计算法以及最近的基于神经网络的算法相比,RobustRobust在公共基准数据集上的性能明显更好。它被部署为公共在线服务,并广泛应用于阿里巴巴集团的不同业务场景。
2021-09-18 cs.LG eess.SP stat.AP
Nonparametric and adaptive modeling of dynamic seasonality and trend with heteroscedastic and dependent errors
National Yang-Ming University Hospital(阳明大学医院);Institute of Hospital and Health Care Administration, National Yang-Ming University(阳明大学医院与卫生管理研究所);Department of Mathematics, National Taiwan University(台湾大学数学系);Department of Statistics, University of California, Berkeley(加州大学伯克利分校统计系)
提出非参数模型描述多分量季节性的动态,并利用同步压缩变换在存在趋势和异方差相关误差时提取这些特征,理论证明了自适应性和鲁棒性。
2013-03-19 cs.NA math.NA math.ST
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
StationarityToolkit: Comprehensive Time Series Stationarity Analysis in Python
Georgia Institute of Technology(佐治亚理工学院)
本文提出StationarityToolkit,一个Python库,提供10种统计检验方法,涵盖趋势、方差和季节性,帮助用户详细诊断时间序列的平稳性问题。
2026-04-09 stat.ME
Comparison of different Methods for Univariate Time Series Imputation in R
数据集中的缺失值是一个众所周知的问题,有很多R包提供了插补函数。但是,尽管R中一般都包含了插补,但很难找到用于单变量时间序列插补的函数。问题是,大多数标准的估算技术不能直接应用。大多数算法依赖于属性间的相关性,而单变量时间序列插补需要使用时间依赖性。本文概述了一般的单变量时间序列插补,并详细介绍了R包中的相应实现。此外,我们实验比较了R函数在不同的时间序列使用四个不同的比率的缺失数据。我们的研究结果表明,无论是从动物园包的季节卡尔曼滤波插值或线性插值的季节性黄土分解数据的预测包是最有效的方法来处理缺失数据在本文中评估的大多数情况下。
2015-10-13 cs.OH stat.AP
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
An Advanced Hidden Markov Model for Hourly Rainfall Time Series
对于水文应用,例如城市洪水建模,能够从随机模型模拟次日降雨量时间序列通常是重要的。然而,在这种分辨率下模拟降雨带来了一些挑战,包括复杂的时间结构,包括长期干旱期,降雨发生和强度的季节性变化以及极端值。我们说明了如何隐马尔可夫框架可以适应构建一个令人信服的模型,子日降雨量,这是能够捕捉所有这些重要的特征。这些适应包括克隆状态和非平稳的过渡矩阵和条件模型。在贝叶斯框架中,可以对参数和预测不确定性进行丰富的量化,并通过后验预测分析进行彻底的模型检查。该模型的结果是可解释的,允许有意义的季节变化和中长期趋势的降雨发生和强度的检查。为了证明我们的方法的有效性,无论是在模型拟合和可解释性方面,我们将该模型应用于8年的时间序列的每小时观测。
2019-08-05 stat.AP
Downscaling Epidemiological Time Series Data for Improving Forecasting Accuracy: An Algorithmic Approach
针对流行病学汇总数据稀缺、不连续导致ARIMA、SARIMA和TBATS预测效果不佳的问题,本文提出基于底层分布的时间序列降尺度合成算法,使合成数据保持趋势、季节性和残差一致并显著提升预测准确性。
2023-03-26 stat.OT
Changepoint Detection in Categorical Time Series with Application to Daily Total Cloud Cover in Canada
University of Louisiana at Lafayette(路易斯安那大学拉斐特分校);Virginia Commonwealth University(弗吉尼亚联邦大学);Climate Research Division, Science and Technology Branch, Environment and Climate Change Canada(加拿大环境与气候变化部科技处气候研究司)
本文提出了一种边际过渡模型,用于检测周期性和序列相关类别时间序列中的单个突变点,通过马尔可夫链捕捉序列依赖性,并利用最大似然估计方法提高计算效率,以检测类别时间序列中的突然变化。
2026-05-20 stat.AP stat.CO 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
Seasonal and Periodic Patterns of PM2.5 in Manhattan using the Variable Bandpass Periodic Block Bootstrap
本研究应用可变带通周期块自助法(VBPBB)分析曼哈顿16年每日PM2.5数据,揭示出其他方法遗漏的显著半年和每周模式,并发现PM2.5水平存在潜在上升趋势。
2024-04-25 stat.AP stat.OT
Periodic fluctuations in correlation-based connectivity density time series: application to wind speed-monitoring network in Switzerland
在本文中,我们研究了在瑞士的风速监测网络的连接密度时间序列的周期性波动。利用基于相关图的鲁棒周期图,发现基于相关图的网络存在年周期振荡。这种年度周期振荡的强度是较大的相关阈值较低和较小的较高。连接密度的年度周期性似乎与季节性气象气候循环相当一致。
2017-12-07 stat.AP