Fast, Accurate and Interpretable Time Series Classification Through Randomization
RMIT University(皇家墨尔本理工大学);The University of Melbourne(墨尔本大学)
时间序列分类(TSC)旨在预测给定时间序列的类别标签,这对于经济学和医学等丰富的应用领域至关重要。最先进的TSC方法主要集中在分类准确性和效率上,而不考虑其分类的可解释性,这是现代应用(例如电器建模)和立法(例如欧洲通用数据保护条例)所要求的重要属性。为了解决这个问题,我们提出了一种新的TSC方法-随机监督时间序列森林(r-STSF)。r-STSF是高效的,达到了最先进的分类精度,并实现了可解释性。r-STSF采用一种有效的基于区间的方法,根据判别子序列(区间)的聚合值对时间序列进行分类。为了达到最先进的精度,r-STSF使用判别子序列构建随机树的集合。它使用四个时间序列表示,九个聚合函数和一个监督的二进制启发搜索结合特征排名指标,以确定高度歧视性的子系列。歧视性的子系列有助于进行可解释的分类。在大量数据集上的实验表明,r-STSF达到了最先进的精度,同时比大多数现有的TSC方法快了几个数量级。它是唯一的分类器从国家的最先进的组,使解释性。我们的研究结果还强调,r-STSF是分类复杂时间序列数据集时最好的TSC方法。
2021-05-31 cs.LG stat.ML
Learning Fast and Slow for Online Time Series Forecasting
Singapore Management University(新加坡管理大学);Salesforce Research Asia(赛富时亚洲研究院)
深度神经网络在非平稳环境中的快速适应能力对于在线时间序列预测至关重要。成功的解决方案需要处理对新的和重复出现的模式的更改。然而,动态训练深度神经预测器是非常具有挑战性的,因为它们适应非平稳环境的能力有限,并且会对旧知识产生灾难性遗忘。在这项工作中,受互补学习系统(CLS)理论的启发,我们提出了快速和慢速学习网络(FSNet),一个整体的框架,在线时间序列预测,同时处理突变和重复模式。特别是,FSNet通过动态平衡对最近变化的快速适应和检索类似的旧知识来改善缓慢学习的骨干。FSNet通过适配器的两个互补组件之间的交互来实现这种机制,以监视每个层对丢失的贡献,以及支持记住,更新和调用重复事件的关联存储器。在真实和合成数据集上进行的大量实验验证了FSNet对新模式和重复模式的有效性和鲁棒性。我们的代码可在\url{https://github.com/salesforce/fsnet}上获得。
2022-10-17 cs.LG stat.ML
MINIROCKET: A Very Fast (Almost) Deterministic Transform for Time Series Classification
Monash University(莫纳什大学)
直到最近,时间序列分类的最准确的方法受到高计算复杂性的限制。ROCKET通过使用随机卷积核变换输入时间序列,并使用变换后的特征来训练线性分类器,以大多数现有方法的一小部分计算费用实现了最先进的精度。我们将ROCKET重新定义为一种新的方法MINIROCKET,使其在更大的数据集上快75倍,并使其几乎是确定性的(并且可选地,具有额外的计算费用,完全确定性),同时保持基本相同的精度。使用这种方法,可以在不到10分钟的时间内对UCR存档的所有109个数据集进行训练和测试分类器,以达到最先进的精度。MINIROCKET比任何其他具有可比精度的方法(包括ROCKET)都要快得多,而且比任何其他计算费用大致相似的方法都要精确得多。因此,我们建议现在应该考虑将MINIROCKET作为ROCKET的默认变体。
2021-07-14 cs.LG stat.ML
R-vine Models for Spatial Time Series with an Application to Daily Mean Temperature
我们引入了一个扩展的R-藤蔓Copula模型的空间依赖建模和基于模型的预测在未观察到的位置。新衍生的空间R-vine模型结合了葡萄树连接函数的灵活性和经典的地质统计学思想,即通过变量位置之间的距离来建模空间依赖关系。特别是,该模型能够捕获非高斯空间依赖性。为了模型开发的目的,并作为一个例子,我们考虑在德国54个监测站观测到的日平均温度数据。我们确定的葡萄树copula参数和站的距离之间的关系,并利用它,以减少大量的参数需要参数化的54维R-葡萄树模型,以适应数据。新的基于距离的模型参数化的结果在一个显着减少参数的数量,并使参数估计和预测在未观察到的位置可行。使用适当的评分技术的预测能力进行了验证,表现出更好的性能的空间R-vine Copula模型相比,高斯空间模型。
2014-03-14 stat.ME
A fast noise filtering algorithm for time series prediction using recurrent neural networks
Stowers Institute for Medical Research(斯托尔斯医学研究所)
最近的研究表明,基于噪声输入的循环神经网络(RNNs)预测时间序列可以生成平滑的预期轨迹。我们研究了RNN的内部动力学,并建立了一组实现这种行为所需的条件。基于这种分析,我们提出了一种新的近似算法,并表明它显着加快了预测过程,而不损失的准确性。
2020-10-06 cs.LG math.DS stat.ML
Data Smashing 2.0: Sequence Likelihood (SL) Divergence For Fast Time Series Comparison
Department of Medicine, University of Chicago(芝加哥大学医学院)
在时间序列分析中,识别细微的历史模式是建模和预测问题的核心。在这里,我们介绍和开发一种新的方法来量化观察到的数据流的潜在隐藏的发电机的偏差,从而在一个新的有效计算的通用度量时间序列。所提出的度量是在这个意义上,我们可以比较和对比数据流,而不管它们是在哪里以及如何生成的,并且没有任何特征工程步骤。本文提出的方法在概念上不同于我们以前的工作,数据粉碎,并大大提高了判别性能和计算速度。这里的核心思想是KL散度概念的推广,KL散度通常用于将概率分布与时间序列中的散度概念进行比较。我们称之为序列似然(SL)发散,它可以用来衡量一个定义明确的离散值随机过程类内的偏差。我们设计了有效的估计SL发散有限样本路径,随后制定了一个通用的度量用于计算隐藏的随机发生器产生的时间序列之间的距离。
2019-10-08 cs.LG q-fin.MF stat.ML
TACTiS-2: Better, Faster, Simpler Attentional Copulas for Multivariate Time Series
ServiceNow Research(ServiceNow研究院);Mila-Quebec AI Institute(米拉-魁北克人工智能研究所);Université de Montréal(蒙特利尔大学)
提出多元概率时间序列预测新模型TACTiS-2,通过简化基于Transformer的注意力Copula目标使参数随变量线性扩展,结合训练课程与架构改进,在多项真实预测任务中达到SOTA且保持处理未对齐数据的灵活性。
2024-03-25 cs.AI cs.LG stat.ML
Toeplitz Least Squares Problems, Fast Algorithms and Big Data
School of Information and Physical Sciences, University of Newcastle(纽卡斯尔大学信息与物理科学学院);International Computer Science Institute(国际计算机科学研究所);Department of Management Science and Engineering, Stanford University(斯坦福大学管理科学与工程系)
在时间序列分析中,当拟合自回归模型时,必须多次求解Toeplitz普通最小二乘问题以找到合适的模型,这会严重影响大数据集的计算时间。最近的两个算法(LSAR和重复减半)已应用随机数值线性代数(RandNLA)技术来拟合大的时间序列数据的自回归模型。我们调查和比较这两个近似算法的质量大规模的合成和真实世界的数据。虽然这两种算法显示合成数据集的结果相当,LSAR算法似乎是更强大的应用到现实世界的时间序列数据。我们的结论是RandNLA是有效的背景下,大数据时间序列。
2021-12-24 cs.LG stat.CO stat.ML
Time Series Technical Analysis via New Fast Estimation Methods: A Preliminary Study in Mathematical Finance
新的快速估计方法源于控制理论导致一个新的看时间序列,它承担一些类似于“技术分析”。结果被应用到金融工程的一个典型对象,即外汇汇率的预测,通过一个“无模型”的设置,即,通过在滑动短时窗上反复辨识低阶线性差分方程。几个令人信服的计算机模拟,包括预测的位置和波动相对于预测的趋势线,提供。$\mathcal{Z}$ -变换和微分代数是主要的数学工具。
2008-11-16 math.AC math.OC math.ST
Time Series of Magnetic Field Parameters of Merged MDI and HMI Space-Weather Active Region Patches as Potential Tool for Solar Flare Forecasting
本研究将SMARP与SHARP两类太阳活动区磁场数据产品合并为覆盖1996-2022年的MDI-HMI数据集,通过时滞互相关与滑动窗口分析发现活动区磁场属性超前于耀斑指数,为太阳耀斑预报提供新工具。
2024-09-11 astro-ph.SR physics.data-an stat.AP
Fast and Robust Parametric Estimation for Time Series and Spatial Models
我们提出了一个新的框架,用于二阶平稳时间序列和随机场的稳健估计和推断。该框架基于广义小波矩方法,利用小波方差实现复杂模型的参数估计。使用小波方差的M-估计器,该方法可以是鲁棒的,因此当数据遭受离群值或不同形式的污染时,允许估计宽范围的时间序列和空间模型的参数。本文提出了一系列的模拟研究,以及一系列的应用,这种新的方法可以被认为是一种计算效率高,数值稳定和强大的方法,执行至少以及现有的方法在边界上的离群值的影响估计过程。
2016-07-20 stat.AP stat.ME
A Fast Template Periodogram for Detecting Non-sinusoidal Fixed-shape Signals in Irregularly Sampled Time Series
天体物理时间序列中经常包含周期性的信号。来自光度测量的大量且不断增长的时间序列数据要求用于检测和表征此类信号的计算高效的方法。可用于此目的的最有效算法是利用快速傅立叶变换(FFT)的$\mathcal{O}(N\log N)$缩放的那些算法。然而,这些方法对于非正弦信号形状不是最佳的。模板拟合(或周期性匹配滤波器)优化了先验已知信号形状的灵敏度,但计算成本很高。模板周期图的当前实现按比例缩放为$\mathcal{O}(N_f N_{obs})$,其中$N_f$是试验频率的数量,而$N_{obs}$是光变曲线观测的数量,并且由于非凸性,它们不能保证在每个试验频率处的最佳拟合,这可能导致虚假结果。在这项工作中,我们提出了一个非线性扩展的Lomb-Scargle周期图,以获得一个模板拟合算法,这是准确的(除了在病理情况下获得全局最优解)和计算效率(缩放为$\mathcal{O}(N_f\log N_f)$为给定的模板)。在每个频率下的模板拟合的非线性优化被改写为多项式零查找问题,其中多项式的系数可以用非等间距快速傅立叶变换有效地计算。我们表明,我们的方法,它使用截断傅立叶级数近似模板,是一个数量级的速度比现有的算法小的问题($N\lesssim 10$观测)和2个数量级更快的长基线时间序列与$N_{obs} \gtrsim 10^4$观测。快速模板周期图的开源实现可在https://ww…
2021-02-07 astro-ph.IM stat.AP
Prediction of time series by statistical learning: general losses and fast rates
我们建立了时间序列预测的收敛速度,使用基于Oracle不等式的统计学习方法。一系列的论文将iid观测值的oracle不等式推广到弱相依条件下的时间序列。给定一个预测子族和$n$观测值,预言不等式表明预测子预测序列以及族中最好的预测子直到剩余项$Δ_n$。利用PAC-Bayesian方法,在弱相依条件下建立了具有最优收敛速度的预言不等式。我们将以前的结果的绝对损失函数的任何Lipschitz损失函数率$Δ_n\sim\sqrt{c(Θ)/ n}$其中$c(Θ)$措施的模型的复杂性。本文应用分位数损失函数方法对法国GDP进行预测。在损失函数(由平方损失函数满足)和时间序列的附加条件下,我们改进了收敛到$Δ_n \sim c(Θ)/n$的速度。我们实现了第一次均匀混合过程的这些快速速率。已知这些速率在iid情况下和对于单个序列是最优的。特别是,我们推广的结果Dalalyan和Tsybakov稀疏回归估计的情况下,自回归。
2012-11-08 math.ST stat.TH
Fast, effective, and coherent time series modeling using the sparsity-ranked lasso
本研究将稀疏排序套索(SRL)应用于时间序列建模,通过fastTS R包实现,在急诊就诊量预测任务中实现了比同类方法更快的速度和更高的预测精度。
2024-03-08 stat.CO stat.ME
Fast rates in learning with dependent observations
在本文中,我们从统计学习的角度来解决时间序列预测中的快速率问题。在一系列论文中(例如Meir 2000,Modha和Masry 1998,Alquier和Win滕伯格2012),表明使用iid观测的学习理论中使用的主要工具可以扩展到时间序列的预测。这些文件的主要信息是,给定一个家庭的预测,我们能够建立一个新的预测,预测系列以及家庭中的最佳预测,其余的顺序$1/\sqrt{n}$。众所周知,这一比率一般无法提高。在本文中,我们表明,在特定的情况下,最小二乘损失,并在一个强有力的假设下的时间序列(φ混合)的剩余实际上是为了$1/n$。因此,对于均匀混合过程,第一次实现了iid变量(参见例如Tsybakov 2003)和单个序列(参见\cite{lugosi})的最佳速率。我们还表明,我们的方法是最佳的聚集稀疏线性组合的预测。
2012-02-20 math.ST stat.TH
Modeling Multivariate Positive-Valued Time Series Using R-INLA
在本文中,我们描述了快速贝叶斯统计分析的向量正值时间序列,有趣的金融数据流的应用。我们讨论了一个灵活的水平相关模型(LCM)的框架,建立向量正值时间序列的层次模型。LCM允许我们结合正值分量响应的边缘Γ分布,同时考虑潜在水平上分量之间的关联。我们通过R-INLA包使用集成嵌套拉普拉斯近似(INLA)进行快速近似贝叶斯建模,构建自定义函数来处理此设置。我们使用所提出的方法来模拟几个股票指数的已实现波动率之间的相互依赖关系。
2022-07-02 q-fin.CP q-fin.ST stat.ME
The Generalized Method of Wavelet Moments with Exogenous Inputs: a Fast Approach for the Analysis of GNSS Position Time Series
全球导航卫星系统(GNSS)的每日位置时间序列通常被描述为随机过程和地球物理信号的总和,其允许研究全球和局部地球动力学效应,诸如板块构造、地震或地下水变化。本文将广义小波矩方法推广到残差相关的线性模型的参数估计。这一统计推断框架适用于全球导航卫星系统每日位置时间序列数据,以联合估计功能(地球物理)以及随机噪声模型。我们的方法被称为GMWMX,X代表eXogeneous变量:它是半参数的,计算效率高,可扩展。与标准方法(如广泛使用的极大似然估计(MLE))不同,我们的方法提供了统计保证,如一致性和渐近正态性,而不依赖于强参数假设。在高斯模型下,我们的结果表明,估计的参数是类似的MLE得到的。我们的方法的计算性能具有重要的实际意义。实际上,对数千个GNSS台站的大型网络的参数进行估计在计算上很快变得难以承受。与标准方法相比,GMWMX的处理时间比$1000$快$1000$倍,并且允许在标准计算机上在几分钟内估计大规模问题。我们通过蒙特卡罗模拟生成GNSS每日位置时间序列与丢失的观测值,我们认为复合随机噪声模型,包括过程呈现长程相关性,如幂律或Matérn过程,验证我们的方法的性能。我们的方法的优点也说明了使用真正的时间序列从位于美国东部的GNSS站。
2022-06-20 stat.AP stat.ME
Ultra-Fast Shapelets for Time Series Classification
University of Hildesheim(希尔德斯海姆大学)
时间序列的形状特征是一种判别性特征,其与时间序列的相似性可用于时间序列分类。由于发现时间序列的形状在时间上是昂贵的,因此很难适用于长时间或多变量时间序列。在这项工作中,我们提出了超快速Shaperies,使用了一些随机Shaperies。结果表明,超快速Shapelet产生相同的预测质量为当前最先进的基于shapelet的时间序列分类器,仔细选择Shapelet由高达三个数量级。由于该方法允许超快速的shapelet发现,因此使用shapelet进行长多变量时间序列分类变得可行。提出了一种使用Shaperies的多变量时间序列的方法,并证明了超快速Shaperies是成功的,在比较国家的最先进的多变量时间序列分类器的15个多变量时间序列数据集,从不同的领域。最后,时间序列衍生物,已被证明是有用的其他时间序列分类器进行了研究的shapelet为基础的分类。结果表明,它们具有积极的影响,并且它们很容易与简单的预处理步骤相结合,而不需要调整shapelet发现算法。
2015-03-17 cs.LG
HYDRA: Competing convolutional kernels for fast and accurate time series classification
Monash University(莫纳什大学)
我们演示了用于时间序列分类的字典方法之间的简单连接,该方法涉及提取和计算时间序列中的符号模式,以及基于使用卷积核(即ROCKET及其变体)转换输入时间序列的方法。我们表明,通过调整一个单一的超参数,它是可以移动的程度之间的模型类似字典的方法和模型类似火箭。我们提出了HYPERT,一个简单,快速,准确的字典方法的时间序列分类使用竞争卷积核,结合火箭和传统的字典方法的关键方面。HYDRONIC比现有的最精确的字典方法更快,更准确,并且可以与ROCKET及其变体相结合,以进一步提高这些方法的准确性。
2022-03-25 cs.LG
Physics-Guided Counterfactual Explanations for Large-Scale Multivariate Time Series: Application in Scalable and Interpretable SEP Event Prediction
Dept. of Computer Science Georgia State University Atlanta, GA, USA(计算机科学系 佐治亚州立大学);Dept. of Computer Science California State University Fullerton, CA, USA(计算机科学系 加州州立大学Fullerton分校)
本文提出了一种物理引导的反事实解释框架,用于大规模多变量时间序列中的SEP事件预测,实现了更高的预测精度和更高效的运行效率。
2026-01-13 cs.LG
Proactive Network Maintenance using Fast, Accurate Anomaly Localization and Classification on 1-D Data Series
CableLabs(电缆实验室)
主动网络维护(PNM)是使用来自网络的数据来识别和定位网络故障的概念,其中许多或所有故障可能恶化为服务故障。网络故障和服务故障之间的分离提供了对网络中的问题的早期检测,以允许PNM发生。因此,PNM是一种健康管理(PHM)。一维数据序列异常的定位和分类问题已研究多年。我们引入了一种新的算法,该算法利用深度卷积神经网络来有效准确地检测数据序列上的异常和事件,在我们的评估中达到了97.82%的平均精度(mAP)。
2020-07-17 cs.CV cs.LG eess.SP
Self-supervised learning for fast and scalable time series hyper-parameter tuning
Purdue University(普渡大学);Facebook Inc.(脸书公司)
时间序列模型的超参数在时间序列分析中起着重要的作用。对于给定的模型,超参数的微小差异可能导致非常不同的预测结果,因此,选择好的超参数值是必不可少的。现有的大多数通用超参数整定方法,如网格搜索、随机搜索、贝叶斯最优搜索,都是基于一个关键部分-搜索,因此它们计算量大,并且不能应用于快速和可扩展的时间序列超参数整定(HPT)。我们提出了一个HPT的自监督学习框架(SSL-HPT),它使用时间序列特征作为输入,并产生最优的超参数。与其他基于搜索的算法相比,SSL-HPT算法在获得超参数方面的速度快6- 20倍,同时在各种应用中产生相当准确的预测结果。
2021-02-10 cs.LG
Castor: Competing shapelets for fast and accurate time series classification
Stockholm University(斯德哥尔摩大学)
提出基于 shapelets 的时间序列分类算法 Castor,通过将具有不同膨胀的 shapelets 分组并使其在时间上下文上竞争以构建多样化特征表示,显著提升了分类准确率并给出了高效默认超参数。
2024-03-19 cs.CV cs.LG
Low Dimensional Convolutional Neural Network For Solar Flares GOES Time Series Classification
Ariel University(阿里埃勒大学);Eastern R&D center(东部研发中心);Interdisciplinary Center Herzliya(赫兹利亚跨学科中心)
空间天气现象如太阳耀斑,当达到一定量级时,具有巨大的破坏力。这种高强度的太阳耀斑事件可以干扰空间-地球无线电通信和抵消空间-地球电子设备。在目前的研究中,我们探索了深度学习方法来建立一个太阳耀斑预测模型,并根据可用的时间序列数据,研究其局限性以及特征提取的能力。为此,我们提出了一个多层一维卷积神经网络(CNN)预测太阳耀斑事件发生的概率在1,3,6,12,24,48,72,96小时的时间框架的M和X类。为了训练和评估模型的性能,我们利用了1998年7月至2019年1月期间可用的地球静止运行环境卫星(GOES)X射线时间序列数据,几乎完全覆盖了太阳活动周期23和24。在随机选择和时序选择两种不同的情景下对预测模型进行训练和评估,并对两种情景进行比较。结果表明:(1)对于M类模型,时序选择比随机选择的退化因子为3%,而X类模型的高程因子为2%; (2)当考虑仅使用X射线时间序列数据时,与其他研究相比,所建议的模型获得了高分结果。(3)所提出的模型与单独的X射线时间序列相结合不能区分M级和X级的太阳耀斑事件。所有源代码都可以在https://github.com/vladlanda/Low-Dimensional-Convolutional-Neural-Network-For-Solar-Flares-GOES-Time-Series-Classification上获得
2021-01-29 astro-ph.HE astro-ph.IM astro-ph.SR
MrSQM: Fast Time Series Classification with Symbolic Representations
Insight Centre for Data Analytics(洞察数据分析中心);University College Dublin(都柏林大学)
时间序列的符号表示已被证明是有效的时间序列分类,许多最近的方法,包括SAX-VSM,BOSS,WEASEL和MrSEQL。其关键思想是将数值时间序列转换为时域或频域中的符号表示,即,符号序列,然后从这些序列中提取特征。在实现高精度的同时,现有的符号分类器在计算上昂贵。在本文中,我们提出了MrSQM,一个新的时间序列分类器,它使用多种符号表示和有效的序列挖掘,提取重要的时间序列特征。我们研究了四种符号序列的特征选择方法,从完全监督,无监督和混合。我们提出了一种新的方法,最佳的监督符号特征选择在所有的子序列空间,通过适应卡方界开发的判别模式挖掘,时间序列。我们在UEA/UCR基准测试的112个数据集上进行了大量的实验,结果表明MrSQM可以快速提取有用的特征,并使用经典的逻辑回归算法学习准确的分类器。有趣的是,我们发现,一个非常简单和快速的特征选择策略可以是非常有效的相比,更复杂和昂贵的方法。MrSQM推进了符号时间序列分类器的发展,它是一种有效的方法,可以实现高精度,快速运行。
2022-03-14 cs.LG
A fast algorithm for complex discord searches in time series: HOT SAX Time
Università degli studi di Milano-Bicocca(米兰比可卡大学)
时间序列分析正在迅速地向长期和复杂的任务发展。近年来,快速近似算法的不和谐搜索已被提出,以弥补不断增加的规模的时间序列。然而,更有趣的是找到快速精确的解决方案。在这项研究中,我们改进了HOT SAX利用两个主要的想法:热身过程,和序列之间的相似性在时间上接近。由此产生的算法,称为HOT SAX时间(HST),已验证与真实和合成的时间序列,并成功地与HOT SAX,RRA,SCAMP,和DADD相比。一个不和谐的搜索的复杂性已经评估了一个新的指标,每序列的成本(cps),它允许一个比较不同长度的时间序列上的搜索。数值证据表明,两个条件涉及在确定一个不和谐搜索的复杂性在一个非平凡的方式:不和谐的长度,和噪声/信号比。在复杂搜索的情况下,HST可以比HOT SAX快100倍以上,因此处于精确不一致搜索的最前沿。
2021-01-26 cs.LG
Fast Classification of Large Time Series Datasets
Coventry University(考文垂大学)
针对超大型时间序列数据集,本文提出结合简化序列表示与仅使用部分值的距离度量的高效TSC方法,实验显示其平均速度快4倍且在29个数据集中24个准确率更优。
2023-12-10 cs.LG
Fast Randomized Model Generation for Shapelet-Based Time Series Classification
Ben-Gurion University of The Negev(内盖夫本-古里安大学);Deutsche Telekom Laboratories(德国电信实验室)
时间序列分类是近十年来备受关注的一个领域。一种新的时间序列分类方法使用基于形状的分类树。shapelet是从数据集中的一个时间序列中提取的子序列。这种方法的缺点是构建基于shapelet的分类树所需的时间。搜索最佳shapelet需要检查训练集中所有时间序列的所有长度的所有连续性。这项工作的一个关键目标是找到一个评估秩序的shapesthesia空间,使快速收敛到一个准确的模型。我们进行的比较分析清楚地表明,随机的评估顺序会产生最好的结果。我们的实证分析的高质量的shapestrams空间内的shapestrams的分布提供了见解,为什么随机shapestrams抽样优于替代的评价顺序。我们提出了一种算法,用于基于shapelet的分类的随机模型生成,该算法在仅评估shapelet空间的极小部分后,以惊人的高精度非常快地收敛到模型。
2012-09-23 cs.LG
ShapeCond: Fast Shapelet-Guided Dataset Condensation for Time Series Classification
Shanghai Key Lab of Data Science, College of Computer Science and Artificial Intelligence, Fudan University, Shanghai, China(上海数据科学联合实验室,计算机科学与人工智能学院,复旦大学,上海,中国);Stanford University, Stanford, USA(斯坦福大学,斯坦福,美国);Ocean University of China(中国海洋大学);Shanghai Data Research Institute(上海数据研究院);Mohamed bin Zayed University of Artificial Intelligence Abu Dhabi, United Arab Emirates(阿布扎克穆罕默德·本·扎耶德人工智能大学)
ShapeCond通过形状图引导的优化策略,高效压缩时间序列数据集,提升下游分类准确性。
2026-02-09 cs.LG
Fast dynamic time warping and clustering in C++
University of Oxford(牛津大学)
本研究提出一种基于C++的高效时间序列DTW与聚类方法,通过动态规划求解DTW、MIP或k-medoids聚类结合任务级并行化提升效率,在UCR数据集上相比次快方案平均提速33%,大数据集提速64%。
2023-07-10 cs.LG cs.SY eess.SP
U-Former ODE: Fast Probabilistic Forecasting of Irregular Time Series
Applied AI Institute(应用人工智能研究所)
U-Former ODE通过整合U-Net、Transformer和Neural CDE的优势,实现快速且准确的不规则时间序列概率预测。
2026-02-12 cs.LG
Spectral Predictability as a Fast Reliability Indicator for Time Series Forecasting Model Selection
Electrical and Computer Engineering University of California, Los Angeles(电气与计算机工程大学加州大学洛杉矶分校)
针对时间序列预测模型选择的计算困境,提出用谱可预测性Ω快速分层模型性能,通过多领域实验及GIFT-Eval基准分析,发现高Ω时TSFMs优于轻量基线、低Ω时优势消失,为模型选择提供低成本过滤指标。
2025-11-12 cs.LG
LPC-AD: Fast and Accurate Multivariate Time Series Anomaly Detection via Latent Predictive Coding
Chongqing University(重庆大学);Alibaba(阿里巴巴);The Chinese University of Hong Kong(香港中文大学)
提出了一种快速准确的多变量时间序列异常检测方法LPC-AD。LPC-AD的动机是对快速准确的MTS异常检测方法的不断增长的需求,以支持云计算、微服务系统等的快速故障排除。与专注于训练速度的最先进(SOTA)深度学习方法相比,LPC-AD的训练时间减少了高达38.2%。LPC-AD是准确的,因为与专注于提高检测准确性的SOTA复杂深度学习方法相比,它将检测准确性提高了18.9%。在方法上,LPC-AD贡献了一个通用的体系结构LPC-重建,以实现训练速度和检测精度之间的不同权衡。更具体地说,LPC-重建是建立在自动编码器的想法,以减少时间序列中的冗余,潜在的预测编码捕获MTS中的时间依赖性,和随机扰动,以避免过度拟合的异常依赖的训练数据。我们提出了简单的LPC重建的实例,以达到快速的训练速度,在那里我们提出了一个简单的随机扰动方法。LPC-AD优于SOTA方法的性能进行了验证,通过广泛的实验上的四个大型现实世界的数据集。实验结果也表明了LPC-Reconstruct结构中各个组成部分的必要性和优点,LPC-AD对超参数具有鲁棒性。
2022-05-05 cs.AI cs.LG
WEASEL 2.0 -- A Random Dilated Dictionary Transform for Fast, Accurate and Memory Constrained Time Series Classification
Humboldt-Universität zu Berlin(柏林洪堡大学)
时间序列是一个按时间顺序排列的实数序列。时间序列分类(TSC)是将时间序列分配给一组预定义类别之一的任务,通常基于从示例中学习的模型。基于字典的TSC方法依赖于计算时间序列中某些模式的频率,是目前最准确的TSC集成的重要组成部分。早期基于字典的方法之一是WEASEL,它在当时实现了SotA结果,同时也非常快。然而,它在速度和准确性方面都优于其他方法。此外,它的设计导致不可预测的大内存占用,使其不适用于许多应用程序。在本文中,我们提出了WEASEL 2.0,一个完整的大修WEASEL的基础上TSC的两个最新进展:扩张和随机超参数设置的集合。这两种技术允许WEASEL 2.0使用固定大小的内存占用,同时提高精度。与UCR基准集上的其他15种SotA方法相比,WEASEL 2.0比其他字典方法更准确,并且比目前最好的方法没有明显差。实际上,它在所有数据集上都达到了最高的中值准确度,并且在12个问题类别中的5个中表现最好。因此,我们相信WEASEL 2.0是目前TSC的一个可行的替代方案,也是未来合奏的一个潜在的有趣的输入。
2023-02-01 cs.LG
Rock the KASBA: Blazingly Fast and Accurate Time Series Clustering
School of Electronics and Computer Science, University of Southampton(南安普顿大学电子与计算机科学学院)
本文提出KASBA算法,通过改进的MSM距离和随机梯度下降,实现快速且准确的时间序列聚类,显著优于现有方法。
2024-11-26 cs.LG
MomentQuant: an even more minimalist interval method with linear time complexity for time series classification
Univ Rennes(雷恩大学);Ensai(国立统计与信息分析学院);CNRS(法国国家科学研究中心);CREST
本文针对时间序列分类的Quant算法,通过优化实现和用Cornish-Fisher展开推导近似分位数,提出MomentQuant算法,在仅轻微损失性能的情况下大幅提升速度,适配高频推理的实际应用场景。
2026-09-07 cs.LG
Fast and Accurate Anomaly Detection in Time Series
University of Salento(萨勒诺大学)
提出一种基于Haar离散小波和t检验的无监督时间序列异常检测算法,在343个数据集上超越现有无监督和自监督方法。
2026-07-03 cs.LG
FMamba: Mamba based on Fast-attention for Multivariate Time-series Forecasting
Institute of Advanced Technology, USTC(中国科学技术大学先进技术研究院);Department of Automation, USTC(中国科学技术大学自动化系);Institute of Artificial Intelligence, Hefei Comprehensive National Science Center(合肥综合性国家科学中心人工智能研究院)
针对多元时间序列预测中Mamba模型无法关注变量间关系的问题,提出结合fast-attention与Mamba的FMamba框架,在保持低计算开销的同时实现了最先进的预测性能。
2024-07-20 cs.LG
Fast, Interpretable, and Deterministic Time Series Classification With a Bag-of-Receptive-Fields
Scuola Normale Superiore(比萨高等师范学校);University of Pisa(比萨大学);ISTI-CNR(意大利国家研究委员会信息科学与技术研究所)
本文提出BORF感受野袋模型,结合时间序列卷积与1D-SAX,以处理变长和含缺失值的时间序列,并在UEA和UCR全库上验证了其在分类与外在回归任务中的竞争力。
2026-10-07 cs.AI cs.LG
ASTRIDE: Adaptive Symbolization for Time Series Databases
Université Paris-Saclay(巴黎萨克雷大学);Université Paris Cité(巴黎西岱大学);ENS Paris-Saclay(巴黎萨克雷高等师范学院);CNRS(法国国家科学研究中心);SSA(法国卫生总局);INSERM(法国国家健康与医学研究院);Centre Borelli(博雷利中心)
我们介绍了ASTRIDE(时间序列数据库的自适应符号化),一种新颖的时间序列符号表示,及其加速变体FASTRIDE(快速ASTRIDE)。与大多数符号化过程不同,ASTRIDE在分割步骤和量化步骤中都具有自适应性,前者通过执行变点检测,后者通过使用分位数。ASTRIDE不是一个信号接一个信号地处理,而是建立一个数据集中所有信号都通用的符号字典。我们还介绍了D-GED(动态通用编辑距离),一种新的符号表示的通用编辑距离的基础上的相似性度量。我们证明了性能的ASTRIDE和FASTRIDE表示相比,SAX(符号聚合近似),1d-SAX,SFA(符号傅立叶近似),和ABBA(自适应布朗桥为基础的聚合)重建,并在适用的情况下,分类任务。这些算法进行评估的86单变量等大小的数据集从UCR时间序列分类档案。一个名为acstride的开源GitHub存储库可以在Python中重现所有实验。
2023-02-08 cs.LG eess.SP