T-CGAN: Conditional Generative Adversarial Network for Data Augmentation in Noisy Time Series with Irregular Sampling
Politecnico Milano（米兰理工大学）；Harvard University（哈佛大学）
本文提出了一种适用于不规则采样时间序列的数据增强方法--时间条件生成对抗网络（T-CGAN）。我们的方法是基于条件生成对抗网络（CGAN），其中生成步骤是由一个去卷积神经网络和卷积神经网络的判别步骤。生成器和时间序列生成器都以采样时间戳为条件，学习数据和时间戳之间的隐藏关系，从而生成新的时间序列。我们用合成和真实世界的数据集来评估我们的模型。对于合成数据，我们比较了用T-CGAN生成的数据训练的分类器的性能，以及用原始数据训练的相同分类器的性能。结果表明，在T-CGAN生成的数据上训练的分类器与在真实数据上训练的分类器的性能相同，即使是非常短的时间序列和小的训练集。对于现实世界的数据集，我们比较我们的方法与其他技术的数据增强的时间序列，如时间分片和时间扭曲，在分类问题与不平衡的数据集。结果表明，我们的方法总是优于其他方法，在规则采样和不规则采样的时间序列的情况下。我们实现了特别好的性能的情况下，一个小的训练集和短，噪声，不规则采样的时间序列。
2019-02-01 cs.LG stat.ML
MuSiCNet: A Gradual Coarse-to-Fine Framework for Irregularly Sampled Multivariate Time Series Analysis
MIIT Key Laboratory of Pattern Analysis and Machine Intelligence（工信部模式分析与机器智能重点实验室）
针对不规则采样多元时间序列，本文提出由粗到细的多尺度多相关注意力框架MuSiCNet，通过尺度内注意力与相关建模、跨尺度对比和重建校正，在三类任务上达到SOTA竞争力。
2024-12-02 cs.LG stat.ML
Kernels for time series with irregularly-spaced multivariate observations
INSEAD（欧洲工商管理学院）；University College London（伦敦大学学院）；The Alan Turing Institute（艾伦·图灵研究所）
时间序列是基于内核的方法的一个有趣的前沿，原因很简单，没有内核设计来表示它们及其完全通用的独特特性。现有的序列内核忽略了时间索引，许多假设序列必须是规则间隔的;一些这样的内核甚至不是psd。在这篇手稿中，我们表明，一个“系列内核”，这是一般足以代表不规则间隔的多变量时间序列可以建立出众所周知的“向量内核”。我们还表明，使用我们的方法构建的所有系列内核是PSD，因此具有广泛的适用性。我们通过制定一个基于高斯过程的策略来证明这一点-以我们的系列内核为核心-在给定训练集时对测试系列进行预测。我们通过在多个数据集上估计其泛化误差并将其与相关基线进行比较来实验验证该策略。我们还表明，我们的系列内核可用于更传统的设置时间序列分类，其性能大致符合替代方法。
2020-04-18 cs.LG stat.ML
Probabilistic Forecasting of Irregular Time Series via Conditional Flows
University of YYY（YYY大学）；Institute of WWW（WWW研究院）
针对带缺失值的不规则多变量时间序列概率预测问题，提出基于条件归一化流的ProFITi模型，引入可逆三角注意力层等组件，在4个数据集上实现比此前最优模型高4倍的似然度。
2025-01-13 cs.LG stat.ML
Modeling Irregular Time Series with Continuous Recurrent Units
Humboldt-Universität zu Berlin（柏林洪堡大学）；Bosch Center for AI（博世人工智能中心）
递归神经网络（RNN）是建模序列数据的流行选择。现代RNN架构假设观测之间的时间间隔恒定。然而，在许多数据集（例如医疗记录）中，观察时间是不规则的，并且可以携带重要信息。为了应对这一挑战，我们提出了连续递归单元（CRU）--一种可以自然处理观测之间不规则间隔的神经架构。CRU假设一个隐藏的状态，根据一个线性随机微分方程的演变，并集成到一个编码器-解码器框架。CRU的递归计算可以使用连续-离散卡尔曼滤波器导出，并且是封闭形式的。由此产生的经常性架构具有时间连续性之间的隐藏状态和门控机制，可以最佳地整合噪声观测。我们推导出一个有效的参数化方案的CRU，导致快速实施f-CRU。我们在一些具有挑战性的数据集上对CRU进行了实证研究，发现它可以比基于神经常微分方程的方法更好地插值不规则时间序列。
2022-07-26 cs.LG stat.ML
Forecasting in multivariate irregularly sampled time series with missing values
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；IBM Almaden Research Center（IBM阿尔马登研究中心）
稀疏和不规则采样的多变量时间序列在临床、气候、金融和许多其他领域中很常见。最新的方法侧重于对此类数据的分类、回归或预测任务。在预测中，不仅要预测正确的值，而且要预测该值何时会出现在不规则的时间序列中。在这项工作中，我们提出了一种方法来预测不仅值，而且在他们预计将发生的时间。
2020-04-06 cs.DB cs.LG stat.ML
Generalised Interpretable Shapelets for Irregular Time Series
University of Oxford（牛津大学）；The Alan Turing Institute（艾伦·图灵研究所）
shapelet变换是时间序列的特征提取的一种形式，其中时间序列通过其与“shapelet”集合中的每一个的相似性来描述。然而，它以前受到了许多限制，例如仅限于规则间隔的完全观察时间序列，并且必须在有效训练和可解释性之间进行选择。在这里，我们将该方法扩展到连续时间，并在这样做处理一般情况下的不规则采样部分观察到的多变量时间序列。此外，我们表明，一个简单的正规化惩罚可以用来有效地训练，而不牺牲可解释性。连续时间公式还允许以可微的方式学习每个shapelet（先前是离散对象）的长度。最后，我们证明，时间序列之间的相似性的措施可以推广到一个学习伪度量。我们通过在几个数据集上展示其性能和可解释性来验证我们的方法;例如，我们发现（纯粹从数据中）数字5和6可以通过其底部循环的手性来区分，并且在口语音频分类中存在一种频谱间隙。
2020-05-29 cs.LG stat.ML
Amortized Control of Continuous State Space Feynman-Kac Model for Irregular Time Series
KAIST（韩国科学技术院）
本文提出ACSSM模型，利用多边际Doob变换和随机最优控制理论，结合摊销控制与变换器数据同化，高效处理不规则时间序列，在分类、回归等任务上表现优越。
2025-02-28 cs.LG stat.ML
Modeling Irregularly Sampled Clinical Time Series
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）
虽然电子健康记录（EHR）数据量持续增长，但医院系统捕获密集的生理数据流仍然很少，即使在数据丰富的重症监护室环境中也是如此。相反，典型的EHR记录由稀疏和不规则观测的多变量时间序列组成，这被很好地理解为对机器学习方法提出了特别具有挑战性的问题。在本文中，我们提出了一种新的深度学习架构来解决这个问题，该架构基于使用半参数插值网络，然后应用预测网络。插值网络允许在插值阶段跨多个维度共享信息，而任何标准的深度学习模型都可以用于预测网络。我们调查的性能，这种架构的死亡率和住院时间预测的问题。
2018-12-03 cs.LG stat.ML
Still Competitive: Revisiting Recurrent Models for Irregular Time Series Prediction
Department of Computer Science（计算机科学系）；University of Pittsburgh（匹兹堡大学）
GRUwE通过引入指数基函数的门控循环单元，在不规则时间序列预测中实现了与最新方法相当或更优的性能，且具有简单易用和计算高效的优势。
2026-02-18 cs.LG stat.ML
A Review of Deep Learning Methods for Irregularly Sampled Medical Time Series Data
Key Laboratory of Machine Perception (Ministry of Education), Peking University（北京大学教育部机器感知重点实验室）；School of Electronics Engineering and Computer Science, Peking University（北京大学电子工程与计算机科学学院）；National Institute of Health Data Science, Peking University（北京大学国家健康数据科学研究院）；Institute of Medical Technology, Health Science Center, Peking University（北京大学医学部医学技术研究所）
不规则采样时间序列（ISTS）数据具有不规则的观测时间间隔和不同的采样率。ISTS通常出现在医疗保健，经济学和地球科学中。特别是在医疗环境中，广泛使用的电子健康档案（EHR）中含有大量典型的不规则采样医疗时间序列（ISMTS）数据。在EHR数据上开发深度学习方法对于个性化治疗、精确诊断和医疗管理至关重要。然而，直接将深度学习模型用于ISMTS数据具有挑战性。一方面，ISMTS数据具有系列内和系列间的关系。地方和全球结构都应予以考虑。另一方面，方法应考虑任务精度和模型复杂性之间的权衡，并保持通用性和可解释性。到目前为止，已有的许多工作都试图解决上述问题，并取得了良好的效果。本文从技术和任务的角度对这些深度学习方法进行了综述。在技术驱动的视角下，我们将其归纳为两类：基于缺失数据的方法和基于原始数据的方法。在任务驱动的视角下，我们还将其归纳为两大类--数据估算导向型和下游任务导向型。对于每一种方法，我们都指出了它们的优点和缺点。此外，我们实现了一些有代表性的方法，并在四个医疗数据集上进行了比较。最后，我们讨论了这一领域的挑战和机遇。
2020-10-26 cs.LG stat.ML
A new approach for physiological time series
AMSL Brion；Hong Kong University of Science and Technology（香港科技大学）；Middle Tennessee State University（中田纳西州立大学）
我们开发了一种新的方法来分析生理时间序列。迭代卷积滤波器用于将时间序列分解成各种分量。这些组件的统计数据被提取为特征，以表征时间序列的机制。研究表明，许多正常的生理系统都涉及不规则性，而不规则性的减少通常意味着异常，因此，组件中的“离群值”的统计数据被用作测量不规则性的特征。支持向量机被用来选择最相关的功能，能够区分正常和异常系统的时间序列。这种新的方法被成功地用于充血性心力衰竭的心搏间期时间序列的研究。
2015-04-23 cs.LG stat.ML
Learning Long-Term Dependencies in Irregularly-Sampled Time Series
IST Austria（奥地利科学技术研究所）；TU Wien（维也纳工业大学）；MIT（麻省理工学院）
具有连续时间隐藏状态的递归神经网络（RNN）非常适合对不规则采样的时间序列进行建模。然而，当输入数据具有长期依赖性时，这些模型面临困难。我们证明，与标准RNN类似，这个问题的根本原因是训练过程中梯度的消失或爆炸。这种现象由隐藏状态的常微分方程（ODE）表示来表示，而不管ODE求解器的选择。我们通过设计一种基于长短期记忆（LSTM）的新算法来提供解决方案，该算法将其记忆与其时间连续状态分离。通过这种方式，我们在RNN中编码了一个连续时间动态流，允许它响应于在任意时滞到达的输入，同时确保通过内存路径的恒定错误传播。我们称这些RNN模型为ODE-LSTM。我们的实验表明，ODE-LSTM在具有长期依赖性的非均匀采样数据上优于基于RNN的高级同行。所有代码和数据都可以在https://github.com/mlech26l/ode-lstms上找到。
2020-12-04 cs.LG stat.ML
Temporal-Clustering Invariance in Irregular Healthcare Time Series
Amazon（亚马逊）；Carnegie Mellon University（卡内基梅隆大学）
电子记录包含一系列事件，其中一些在一次访问中同时发生，另一些则分散在多次访问中，每次访问都有不同的时间戳。我们假设，精细的时间细节，例如，一系列血液检测是一次完成还是快速连续完成，都不应改变基于这些数据的预测。出于这种直觉，我们提出了模型，用于分析序列的多变量临床时间序列数据是不变的时间聚类。我们提出了一种有效的数据增强技术，该技术利用假设的时间聚类不变性来正则化针对几个临床预测任务优化的深度神经网络。我们引入了两种技术来对不规则时间序列进行时间粗化（下采样）：（i）基于规则间隔的时间戳对数据点进行分组;（ii）对它们进行聚类，产生不规则的时间戳。此外，我们提出了一个多分辨率Ensemble（MRE）模型，提高预测精度的集成预测的基础上的输入序列由不同的粗化运营商。我们的实验表明，MRE将基准死亡率预测任务的mAP从51.53%提高到53.92%。
2019-04-27 cs.LG q-bio.QM stat.ML
Path Imputation Strategies for Signature Models of Irregular Time Series
ETH Zurich（苏黎世联邦理工学院）；SIB Swiss Institute of Bioinformatics（SIB瑞士生物信息学研究所）
签名变换是连续向量值路径空间上的“通用非线性”，并且在时间序列的机器学习中得到了关注。然而，真实世界的时态数据通常是在离散的时间点上观察到的，并且在可以应用签名技术之前必须首先被转换成连续的路径。我们通过将其描述为插补问题来明确这一步骤，并在将基于签名的神经网络应用于不规则时间序列数据时，实证评估各种插补策略的影响。对于这些策略之一，高斯过程（GP）适配器，我们提出了一个扩展~（GP-PoM），使不确定性信息直接提供给后续的分类器，同时防止昂贵的蒙特卡洛（MC）采样。在我们的实验中，我们发现填补的选择极大地影响了浅签名模型，而更深的架构更强大。接下来，我们观察到不确定性感知预测（基于GP-PoM或指标插补）对预测性能有益，即使与传统GP适配器的不确定性感知训练相比也是如此。总之，我们已经证明了路径构建对于签名模型确实是至关重要的，并且我们提出的策略通常会导致具有竞争力的性能，同时特别提高签名模型的鲁棒性。
2020-06-06 cs.LG stat.ML
Beyond Observations: Reconstruction Error-Guided Irregularly Sampled Time Series Representation Learning
针对现有不规则采样时间序列建模方法忽略重构误差学习信号的问题，提出自监督预训练框架iTimER，利用重构误差生成伪观测值并结合分布对齐与对比学习，在三类任务上性能超越现有最优方法。
2025-11-15 cs.LG stat.ML
Latent Laplace Diffusion for Irregular Multivariate Time Series
University of Cambridge（剑桥大学）
提出潜在拉普拉斯扩散（LLapDiff）生成框架，通过低维潜在轨迹和拉普拉斯域参数化实现不规则时间序列的长时预测与缺失值插补。
2026-06-02 cs.AI cs.LG stat.ML
Unsupervised Online Anomaly Detection On Irregularly Sampled Or Missing Valued Time-Series Data Using LSTM Networks
Bilkent University（比尔肯特大学）；DataBoss A.S.（DataBoss公司）
我们研究异常检测，并介绍了一种算法，处理可变长度，不规则采样序列或序列缺失值。我们的算法是完全无监督的，但是，可以很容易地扩展到监督或半监督的情况下，异常标签存在的整个文件。我们的方法使用长短期记忆（LSTM）网络来提取时间特征，并找到最相关的特征向量进行异常检测。我们通过使用时间调制门来调制标准LSTM模型，将采样时间信息纳入我们的模型。从LSTM中获得最相关的特征后，我们使用支持向量数据描述符（SVDD）模型标记序列。我们引入了一个损失函数，然后联合优化的特征提取和序列处理机制，在一个端到端的方式。通过这种联合优化，LSTM提取了最相关的异常检测特征，随后用于SVDD，因此完全消除了通过专家知识进行特征选择的需要。此外，我们还为在线设置提供了一个训练算法，当新数据到达时，我们使用单个序列优化模型参数。最后，在现实生活中的数据集上，我们表明，由于LSTM与SVDD和联合优化的结合，我们的模型显着优于标准方法。
2020-05-25 cs.LG stat.ML
TimeAutoML: Autonomous Representation Learning for Multivariate Irregularly Sampled Time Series
Tongji University（同济大学）；MIT-IBM Watson AI Lab（麻省理工学院-IBM沃森人工智能实验室）；IBM Research（IBM研究院）；NEC Laboratories America（美国电气股份有限公司美洲实验室）
多变量时间序列（MTS）数据在不同领域变得越来越普遍，例如，物联网系统、健康信息学和5G网络。为了获得MTS数据的有效表示，不仅必须考虑这些数据的不可预测的动态和高度可变的长度，而且还必须解决MTS的采样率的不规则性。现有的参数方法依赖于手动超参数调整，并且可能花费大量的劳动力。因此，期望自动且有效地学习表示。为此，我们提出了一个自主的表示学习方法的多元时间序列（TimeAutoML）不规则的采样率和可变长度。与以前的工作相反，我们首先提出了一个表示学习流水线，其中配置和超参数优化是全自动的，并且可以针对各种任务进行定制，例如，接下来，开发了一种阴性样本生成方法和一个辅助分类任务，并将其集成到TimeAutoML中，以增强其表示能力。对真实世界数据集的广泛实证研究表明，所提出的TimeAutoML在各种任务上的性能都大大优于竞争方法。事实上，它在所有85个UCR数据集中的78个数据集上实现了所有比较算法中最好的异常检测性能，在AUC得分方面获得了高达20%的性能提升。
2020-10-04 cs.AI cs.LG stat.ML
Neural Continuous-Discrete State Space Models for Irregularly-Sampled Time Series
AWS AI Labs（AWS人工智能实验室）；National University of Singapore (NUS)（新加坡国立大学）；Smart Systems Institute, NUS（新加坡国立大学智能系统研究所）
针对不规则采样时间序列的建模难题，提出神经连续-离散状态空间模型（NCDSSM），通过辅助变量分离识别与动态、利用连续-离散滤波进行贝叶斯推断，并在多个基准数据集上实现更优的插补与预测性能。
2023-06-18 cs.AI cs.LG stat.ML
Modeling Multiple Irregularly Spaced Financial Time Series
本文通过修改规则间隔的随机波动率模型，提出了适用于不规则间隔金融时间序列的单变量及多元随机波动率模型，并利用 WRDS 的 TAQ 数据库中的医疗板块股票日内对数收益率进行了建模应用。
2023-05-24 stat.AP
Transformation cost spectrum for irregularly sampled time series
非规则采样时间序列分析是各个学科中普遍存在的问题。由于传统的方法不直接适用于不规则采样的时间序列，一个共同的插值方法是使用，但是，这会导致数据失真，从而偏见进一步的分析。我们提出了一种方法，产生一个定期采样的时间序列频谱的成本与最小的信息损失。该频谱中的每个时间序列都是平稳序列，并且充当差分滤波器。转换成本方法得出连续和任意大小的段之间的差异。在获得规则采样后，进行递归图分析以区分状态转换。该方法被应用到一个原型模型，以验证其性能和不同的古气候代用数据集位于非洲各地，以确定关键的气候过渡期在过去的500万年及其特性。
2022-03-29 stat.AP
zoo: S3 Infrastructure for Regular and Irregular Time Series
zoo是一个R包，为S3类提供了索引全序观测的方法，例如离散不规则时间序列。它的关键设计目标是独立于特定的索引/时间/日期类，并与基础R和常规时间序列的“ts”类保持一致。本文介绍了如何在动物园内实现这些功能，并提供了几个例子的“动物园”对象，其中包括绘图，合并和绑定，一些数学运算，提取和替换数据和索引，强制和NA处理的可用方法。子类“zooreg”将规则时间序列嵌入到“zoo”框架中，从而弥合了R中规则和不规则时间序列类之间的差距。
2005-05-25 math.ST stat.TH
A Subsequence Approach to Topological Data Analysis for Irregularly-Spaced Time Series
本文提出一种面向不规则间隔时间序列的子序列嵌入方法，结合时间延迟嵌入与拓扑数据分析，在保持原始状态空间拓扑的同时减少虚假同调特征，并通过理论分析和数值实验验证其稳定性与有效性。
2024-10-17 cs.CG math.AT stat.ME
Multi-resolution Networks For Flexible Irregular Time Series Modeling (Multi-FIT)
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）
缺失值、不规则收集的样本和多分辨率信号通常出现在多变量时间序列数据中，使得预测任务变得困难。这些挑战在医疗保健领域尤其普遍，其中患者的生命体征和电子记录以不同的频率收集，并且由于设备或患者环境的不完善而偶尔会丢失信息。研究人员以不同的方式处理这些问题，通常通过平均值填补来处理缺失数据，然后在多变量信号上使用序列模型，而忽略信号的不同分辨率。本文提出了一个统一的时间序列模型--多分辨率柔性不规则时间序列网络（Multi-FIT）。Multi-FIT的构建块是FIT网络。FIT网络在每个时间步使用信号信息（例如，最后观察值、自最后观察时间戳的时间差和信号的总体平均值）创建信息密集表示。垂直FIT（FIT-V）是FIT的一种变体，它还对不同时间信号之间的关系进行建模，同时为信号创建信息密集表示。多FIT模型使用多个FIT网络用于具有不同分辨率的信号集合，进一步促进灵活表示的构造。我们的模型有三个主要贡献：a.）它不估算值，而是创建信息表示以向模型提供用于创建任务特定表示的灵活性b）。它以支持信号的形式对不同信号之间的关系进行建模c.）它在合并不同的分辨率以用于最终的预测任务之前并行地对它们进行建模。FIT、FIT-V和Multi-FIT网络改进了三个预测任务的最新模型，包括患者生存预测。
2019-04-30 cs.LG eess.SP stat.ML
Novel bivariate autoregressive model for predicting and forecasting irregularly observed time series
在一些学科中，发现在不规则的观测时间测量的时间序列是常见的。特别是在天文学中，有大量的调查，收集信息的不规则的时间间隔和一个以上的通带。一些例子是Pan-STARRS，ZTF和LSST。然而，目前常用的时间序列模型估计的天文光变曲线的时间依赖性（如CIAR，IAR和CARMA模型）考虑每个波段的信息分开，而忽略了可能存在的依赖性，不同的通带之间。本文提出了一种新的不规则采样时间序列的二元模型，称为二元不规则自回归（BIAR）模型。BIAR模型假设每个时间序列具有自回归结构，它是平稳的，并且它允许估计两个不等间隔时间序列之间的自相关性，互相关性和当代相关性。我们在g和r波段的光变曲线上实现了BIAR模型，这些光变曲线是从ALERCE代理处理的ZTF警报中获得的。我们表明，如果两个波段的光变曲线高度相关，该模型具有更准确的预测和预测，使用双变量模型比类似的方法，只使用单变量信息。此外，BIAR的估计参数对于表征长周期变星和区分随机物体的类别很有用，提供了可用于分类目的的有希望的特征
2021-04-25 astro-ph.IM stat.ME
Estimation of time-delayed mutual information and bias for irregularly and sparsely sampled time-series
提出了一种基于时滞互信息经验偏差估计的时间序列相关性估计方法。特别是，时间延迟的互信息的偏差往往是等价的两个分布的点之间的互信息从同一个系统分离的无限时间。因此，直观地说，偏差的估计被简化为由大的时间间隔分隔的数据点的分布之间的互信息的估计。所提出的偏差估计技术的工作洛伦兹方程数据和葡萄糖时间序列数据的三个病人从哥伦比亚大学医学中心的数据库。
2011-10-07 nlin.CD physics.data-an q-bio.QM
Unleashing The Power of Pre-Trained Language Models for Irregularly Sampled Time Series
HKUST(GZ)（香港科技大学（广州））
本文首次探索预训练语言模型在不规则采样时间序列分析中的潜力，提出统一框架ISTS-PLM，结合时间感知与变量感知PLM，在多个任务和科学领域取得最先进性能。
2025-06-05 cs.AI cs.LG stat.AP
VISTA-SSM: Varying and Irregular Sampling Time-series Analysis via State Space Models
Johns Hopkins University（约翰斯·霍普金斯大学）；Institute for Psycholinguistics and Digital Health, United States of America（美国心理语言学和健康数字研究所）；New York University School of Medicine（纽约大学医学院）；University of Houston（休斯顿大学）
VISTA-SSM通过状态空间模型实现对变采样时间序列的高效聚类分析，适用于医疗和心理学领域的不规则采样数据。
2025-07-24 stat.AP
Sampling rate-corrected analysis of irregularly sampled time series
不规则采样的时间序列的分析仍然是一项具有挑战性的任务，需要考虑采样分辨率的连续和突然变化而不引入额外的偏差的方法。编辑距离是一种有效的度量，通过计算将一个段转换为另一个段的成本来定量比较长度不等的时间序列段。我们发现，转换成本一般表现出非平凡的关系与本地采样率。如果采样分辨率经历强烈的变化，这种影响阻碍了不同时间段之间的无偏比较。我们研究了这种影响的递归量化分析，一个框架，非常适合于识别非线性时间序列的政权转移。提出了一种约束随机化方法来修正有偏的递归量化测度。这种策略涉及到一种新型的时间序列和时间轴代理，我们称之为采样率约束（SRC）代理的生成。我们证明了所提出的方法的有效性与合成的例子和不规则采样的洞穴沉积物代理记录从纽埃岛在热带太平洋中部。建议的修正方案的应用程序确定了一个虚假的过渡，这仅仅是由突然转变的采样率和揭示与增强ENSO和热带气旋活动的季节性降雨可预测性降低的时期。
2021-12-09 nlin.CD stat.ME
A Novel First-Order Autoregressive Moving Average Model to Analyze Discrete-Time Series Irregularly Observed
提出了一种新的一阶自回归滑动平均模型，用于分析离散时间序列。在高斯性下，可以确定该模型是严格平稳且各态历经的。在一般情况下，证明了该模型是弱平稳的。给出了状态空间表示的最低维数以及一步线性预测器及其均方误差。讨论了极大似然估计方法，并通过蒙特卡罗实验对它们的有限样本行为进行了评估。这些实验表明，偏差，根均方误差，变异系数较小时，系列的长度增加。此外，即使在相对较小的样本量下，该方法也提供了对标准误的良好估计。此外，不规则间隔的时间似乎增加了估计的可变性。该模型的应用是通过两个现实生活中的例子。第一个是关于医疗数据，而第二个描述了天文数据集分析。
2022-03-30 math.ST stat.ME stat.TH
An irregular discrete time series model to identify residuals with autocorrelation in astronomical light curves
时间序列观测在天文学中无处不在，其目的是区分不同类型的超新星，探测太阳系外行星并确定其特征，以及对变星进行分类。这些时间序列通常使用参数和/或物理模型来建模，该模型假设独立和同方差误差，但在许多情况下，这些假设是不准确的，并且仍然存在对误差的时间依赖性结构。例如，当所提出的模型不能解释数据的所有可变性时，或者当模型的参数没有被正确估计时，可能会发生这种情况。在这项工作中，我们定义了一个自回归模型的不规则离散时间序列，基于离散时间表示的连续自回归模型的顺序1。我们证明了该模型是遍历平稳的。我们进一步提出了一个极大似然估计程序，并通过蒙特卡罗模拟评估有限样本性能。我们在高斯分布和其他分布的真实和模拟数据上实现了该模型，表明该模型可以灵活地适应不同的数据分布。我们应用不规则自回归模型的残差过境的太阳系外行星，说明错误，仍然与时间结构。我们也将这个模型应用到残差的谐波拟合的光变曲线从变星来说明如何使用该模型来检测不正确的参数估计。
2018-09-11 astro-ph.IM stat.AP
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
Earth and space observations meet complex algebras: from complex to octonions for multivariate autoregressive time series analysis
Faculty of Engineering and Science, Universidad Adolfo Ibáñez（阿道夫·伊巴涅斯大学工程与科学学院）；Data Observatory Foundation, ANID Technology Center No. DO210001（数据观测基金会，ANID技术中心No. DO210001）；Millennium Institute of Astrophysics, ICM-ANID ICN12_009（天体物理学千年研究所，ICM-ANID ICN12_009）；Department of Mathematics and Computer Science, Faculty of ScienceUniversidad de Santiago（圣地亚哥大学理学院数学与计算机科学系）
针对非规则采样多元时间序列，提出基于超复数（如八元数）自回归的离散时间框架，结合状态空间与卡尔曼滤波估计，有效捕捉动态和跨变量交互，并在遥感和天文数据中验证。
2026-09-17 stat.AP stat.ME
GARCH modelling in continuous time for irregularly spaced time series data
离散时间的GARCH方法对时间序列中异方差性的建模产生了如此深远的影响，它直观上很好地捕捉了有关金融序列的许多“程式化事实”，现在几乎经常用于各种情况，通常包括在数据不是以等间隔时间观察的情况。然而，这样的数据更适合用连续时间模型进行分析，该模型保留了成功的Gynecological范式的基本特征。一种可能的扩展是Nelson的扩散极限，但这是有问题的，因为离散时间GARCH模型和它的连续时间扩散极限在统计上是不等价的。作为替代方案，Klüppelberg等人最近引入了一个连续时间版本的GARCH（“COGARCH”过程），它直接从背景驱动莱维过程构建。本论文展示了如何适合这个模型的不规则间隔的时间序列数据使用离散时间Gestival方法，通过近似COGestival与嵌入序列的离散时间Gestival系列收敛到连续时间模型在很强的意义上（概率，在Skorokhod度量），作为离散近似网格越来越细。这一特性在某些其他应用中也特别有用，例如期权定价。的方式是开放的，然后使用，COGestival，类似的统计技术已经制定了GARCH模型，并说明这一点，实证调查使用股票指数数据进行。
2008-05-14 math.ST q-fin.ST stat.TH
The H-IAR Model for Irregular Multispectral Time Series. Quaternion Formulation, Mapping of Resilience Indicators, and Exploratory Identification of Forest Edges
School of Mechanical Engineering (FEM), University of Campinas (UNICAMP)（坎皮纳斯大学机械工程学院）；Institute of Science and Technology (ICT), Federal University of São Paulo (UNIFESP)（圣保罗联邦大学科学技术研究所）；Department of Statistics, Institute of Mathematics, Statistics and Scientific Computing (IMECC), University of Campinas (UNICAMP)（坎皮纳斯大学数学、统计与科学计算研究所统计学系）
提出HIAR四元数模型处理不规则多光谱时间序列，通过卡尔曼滤波估计，在Sentinel-2数据上验证了其计算可行性，并能生成与森林边缘相关的持续性等描述符。
2026-09-09 stat.ME
Evaluating Gaussian processes for sparse irregular spatio-temporal data
介绍了一种评价非规则采样稀疏时间序列的高斯过程回归模型（GPR）性能的实用方法。该方法需要使用细尺度预测来预测GPR中使用的未来观测的二次自回归模型的构建。我们建立了不同的GPR模型的Ornstein-Uhlenbeck和分数过程的模拟玩具数据具有不同的稀疏性水平，以评估该方法的实用性。
2016-11-06 stat.ME
A scalable end-to-end Gaussian process adapter for irregularly sampled time series classification
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）
我们提出了一个一般的框架，稀疏和不规则采样的时间序列的分类。这样的时间序列的属性可能导致基本时间过程的值的实质性不确定性，同时使得数据难以使用假定固定维度特征空间的标准分类方法来处理。为了解决这些挑战，我们提出了一个不确定性感知的分类框架，基于一个特殊的计算层，我们称为高斯过程适配器，可以连接不规则采样的时间序列数据的任何黑盒分类器使用梯度下降学习。我们展示了如何结合结构化内核插值框架和Lanczos近似方法来扩大所需的计算量，以及如何使用反向传播来区别性地训练高斯过程适配器与一些端到端的分类器。
2016-10-28 cs.LG stat.ML
Irregularity-Informed Time Series Analysis: Adaptive Modelling of Spatial and Temporal Dynamics
The University of Adelaide（阿德莱德大学）；The University of Queensland（昆士兰大学）
针对不规则时间序列数据，提出一种基于transformer的框架，从局部性、时间、空间和不规则性四个视角建模，并设计不规则性门控机制自适应选择任务相关信息，显著提升了对高缺失率数据的泛化能力。
2024-10-16 cs.LG
Improved Batching Strategy For Irregular Time-Series ODE
Crater Labs（克拉特实验室）
不规则的时间序列数据在现实世界中很普遍，用简单的递归神经网络（RNN）建模具有挑战性。因此，提出了一种结合使用常微分方程（ODE）和RNN的模型（ODE-RNN），以更高的精度对不规则时间序列进行建模，但它具有较高的计算成本。在本文中，我们通过使用不同的有效策略来改进ODE-RNNs的运行时。我们的实验表明，新模型显著降低了ODE-RNN的运行时间，从2倍到49倍不等，具体取决于数据的不规则性，同时保持了相当的准确性。因此，我们的模型可以扩展到更大的不规则数据集建模。
2022-07-12 cs.LG
Warpformer: A Multi-scale Modeling Approach for Irregular Clinical Time Series
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；Microsoft Research Asia（微软亚洲研究院）
针对不规则临床时间序列的序列内不规则性与序列间差异性问题，提出包含定制输入表示、扭曲模块及多尺度注意力机制的Warpformer方法，在多个基准上取得优于现有SOTA的性能。
2023-06-14 cs.AI cs.LG
Imputation with Inter-Series Information from Prototypes for Irregular Sampled Time Series
Tsinghua University（清华大学）；Peking University（北京大学）
本文提出PRIME模型，通过融合序列内与序列间信息并引入原型记忆和注意力细化机制，显著提升了不规则采样时间序列的插补精度。
2024-01-14 cs.LG
MASCIT: A Mask-Aware State Space Classifier for Naturally Irregular Time Series
Seoul National University（首尔大学）
针对自然不规则时间序列，提出掩码感知状态空间分类器MASCIT，通过观测掩码和门控聚合排除无效步骤，在34个数据集上取得最优结果，验证了选择性状态空间模型的有效性。
2026-10-05 cs.AI cs.LG
QiYao-I: A Manifold Based Foundation Model for Irregular Multivariate Time Series Forecasting
East China Normal University（华东师范大学）；Huawei Technologies Ltd.（华为技术有限公司）
QiYao-I提出基于流形的时间注意力与频率感知动态变量交互机制，用于不规则多元时间序列预测，在基准上超越现有模型，具备强零样本和少样本泛化能力。
2026-10-14 cs.LG
Continuous-Time Linear Positional Embedding for Irregular Time Series Forecasting
School of Computing, KAIST（韩国科学技术院计算机学院）
本文提出CTLPE方法，通过连续时间线性位置嵌入解决不规则时间序列预测中观测模式不一致和时间间隔不规则的问题，并在多个数据集上验证其优于现有技术。
2024-09-30 cs.AI 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
EMIT- Event-Based Masked Auto Encoding for Irregular Time Series
The University of Queensland（昆士兰大学）；Queensland Children’s Hospital（昆士兰儿童医院）
本文提出针对不规则时间序列的预训练框架EMIT，通过基于数据变化率的事件掩码在潜在空间进行重建，有效保留数据变异性和时间信息，在MIMIC-III等数据集上表现优越。
2024-10-15 cs.LG
PAITS: Pretraining and Augmentation for Irregularly-Sampled Time Series
Google Cloud AI Research（谷歌云人工智能研究院）；Bayesian Health（贝叶斯健康）
针对现实中非规则采样、稀疏的时间序列数据，提出PAITS框架，结合NLP启发的预训练任务与增强方法及随机搜索筛选适配策略，可在多数据集多领域稳定提升预训练效果。
2023-08-25 cs.LG
Time-Parameterized Convolutional Neural Networks for Irregularly Sampled Time Series
École Polytechnique, IP Paris（巴黎理工学院）
本文提出时间参数化卷积神经网络（TPCNN），通过时间显式初始化的卷积核处理不规则采样时间序列，在插值和分类任务上取得竞争性能且效率显著优于现有方法。
2023-08-09 cs.LG
Probabilistic Circuits for Irregular Multivariate Time Series Forecasting
ISMLL, University of Hildesheim, Germany（Hildesheim大学智能系统实验室）；VWFS, Data Analytics Research Center（数据分析研究中心）
本文提出CircuITS概率电路架构，有效捕捉多变量时间序列复杂依赖关系，提升不规则时间序列联合分布估计精度。
2026-10-14 cs.LG
Finding Short Signals in Long Irregular Time Series with Continuous-Time Attention Policy Networks
MIT（麻省理工学院）；WPI（伍斯特理工学院）
不规则采样时间序列（ITS）是医疗保健等高影响力领域的原生数据，这些领域的测量数据是随着时间的推移以不均匀的间隔收集的。然而，对于许多分类问题，只有一小部分的长时间序列往往是相关的类标签。在这种情况下，现有的ITS模型往往无法对长序列进行分类，因为它们依赖于仔细的插补，这很容易对相关区域进行过度或欠采样。利用这一见解，我们提出了CAT，一个模型，分类多元ITS明确寻求输入序列的时间轴的高度相关的部分。CAT通过集成三个组件来实现这一点：（1）Moment Network使用强化学习学习在ITS的连续时间轴中寻找相关时刻。(2)受体网络对观测的时间动态及其在预测时刻附近的定时进行建模。(3)一个循环的过渡模型模拟这些时刻之间的过渡序列，培养一个代表性的系列进行分类。使用合成数据和真实数据，我们发现CAT通过在长的不规则时间序列中找到短信号而优于十种最先进的方法。
2023-02-08 cs.LG
AutoFITS: Automatic Feature Engineering for Irregular Time Series
TeamViewer；Dalhousie University（达尔豪斯大学）；INESC TEC；University of Porto（波尔图大学）
时间序列表示随时间收集的一组观测值。通常，这些观察以统一的采样频率（例如，每天）捕获。当数据点在不均匀的时间间隔内观察时，时间序列被称为不规则或间歇性的。在这种情况下，最常见的解决方案是重建时间序列，使其规则，从而消除其不规则性。我们假设，在不规则的时间序列中，收集每个观测值的时间可能有助于总结数据的动态并提高预测性能。我们通过开发一个新的自动特征工程框架来研究这个想法，该框架侧重于从这个角度提取信息，即，当每个实例被收集时。我们通过将这些信息集成到时间序列预测工作流程中来研究这些信息的价值，并研究它如何与常规时间序列预测的最先进方法进行比较或补充。最后，我们提供了一个新的框架，从一个角度以前大大忽略了处理时间序列的特征工程。我们表明，我们的方法有可能进一步提取更多的时间序列信息，显着提高预测性能。
2021-12-29 cs.LG
Modeling Irregular Astronomical Time Series with Neural Stochastic Delay Differential Equations
University of California, Los Angeles（加利福尼亚大学洛杉矶分校）；Ulsan National Institute of Science and Technology（蔚山科学技术院）
本文提出基于神经随机延迟微分方程的框架，用于处理不规则采样和不完整天文时间序列中的分类与异常检测问题，通过结合随机建模与神经网络，有效捕捉延迟时间动态并处理不规则观测。
2026-04-02 cs.LG
A Diffusion Model for Regular Time Series Generation from Irregular Data with Completion and Masking
提出两步框架，先用时间序列Transformer补全不规则数据，再用带掩码的视觉扩散模型生成正则时间序列，实现高效且高质量生成，判别分数提升70%，计算成本降低85%。
2025-10-08 cs.LG
