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
Lagged correlation-based deep learning for directional trend change prediction in financial time series
University of Edinburgh（爱丁堡大学）
具有大量噪声时间序列的复杂系统中的趋势变化预测是现实世界现象的许多应用中的问题，股票市场是这种系统的众所周知的难以预测的示例。我们通过它们之间的复杂滞后相关性来预测方向趋势变化，从相应的输入中排除有关目标系列的任何信息，以纯粹基于与其他系列的此类相关性来实现预测。我们建议使用深度神经网络，在这项任务的预备特征工程中采用指数平滑的逐步线性回归，回归斜率作为给定时间间隔的趋势强度指标。我们将这种方法应用于2011年至2016年的历史股票市场数据，作为大量时间序列之间滞后相关性的用例示例，这些时间序列受到外部产生的新信息作为随机因素的严重影响。结果表明，所提出的方法的可行性，与国家的最先进的准确性和会计的统计意义的结果进行额外的验证，以及现代金融经济学的重要影响。
2018-11-29 cs.LG q-fin.CP stat.ML
RobustTrend: A Huber Loss with a Combined First and Second Order Difference Regularization for Time Series Trend Filtering
Alibaba Group（阿里巴巴集团）
提取潜在的趋势信号是促进时间序列分析（如预测和异常检测）的关键步骤。除了噪声信号，时间序列不仅可以包含异常值，而且在现实世界的情况下，突然的趋势变化。为了应对这些挑战，我们提出了一种基于鲁棒统计和稀疏学习的鲁棒趋势滤波算法。具体来说，我们采用Huber损失来抑制异常值，并利用趋势分量上的一阶和二阶差分的组合作为正则化来捕获缓慢和突然的趋势变化。此外，基于优化最小化（MM）和交替方向乘子法（ADMM），设计了一种有效的方法来解决所提出的鲁棒趋势滤波。我们将我们提出的鲁棒趋势滤波器与其他九种最先进的趋势滤波算法在合成和真实世界的数据集上进行了比较。实验结果表明，该算法优于现有的方法。
2019-06-27 cs.LG eess.SP stat.AP
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
Early Anomaly Detection in Time Series: A Hierarchical Approach for Predicting Critical Health Episodes
LIAAD-INESC TEC（波尔图LIAAD-INESC技术研究所）；Dalhousie University（达尔豪斯大学）；University of Porto（波尔图大学）；Fraunhofer AICOS Portugal（弗劳恩霍夫葡萄牙AICOS研究所）
在时间序列数据中的异常事件的早期检测在许多应用领域中是必不可少的。在本文中，我们处理的关键健康事件，这是一个重要的原因，死亡率在重症监护病房的医院。及时预测这些事件对于减轻其后果和改善医疗保健至关重要。解决早期异常检测问题的最常见方法之一是标准分类方法。在本文中，我们提出了一种新的方法，使用分层学习架构来解决这些任务。我们的工作的一个关键贡献是预条件事件的想法，这表示任意但可计算的放松版本的事件的兴趣。我们利用这个想法，打破了原来的问题分为两个层次，我们假设更容易解决。结果表明，所提出的方法导致一个更好的性能相对于国家的最先进的关键健康事件预测的方法。
2020-10-22 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
Predicting Treatment Initiation from Clinical Time Series Data via Graph-Augmented Time-Sensitive Model
IQVIA Inc.（艾昆纬公司）；University of Minnesota Twin Cities（明尼苏达大学双城分校）；Georgia Institute of Technology（佐治亚理工学院）
提出了许多计算模型来从每个患者和患者组的临床时间序列中提取时间模式以用于预测性医疗保健。然而，患者之间的共同关系（例如，医生很少考虑。在本文中，我们表示病人和临床医生的关系，例如，从病人得到诊断的二分图解决。然后，我们求解图拉普拉斯算子的顶部特征向量，并将特征向量作为患者-临床医生对之间的相似性的潜在表示包括到时间敏感的预测模型中。我们使用真实世界的数据进行了实验，以预测慢性淋巴细胞白血病（CLL）患者的一线治疗的开始。结果表明，关系相似性可以改善多个基线的预测，例如，在精确-召回曲线下的面积方面，在长短期记忆基线上增加5%。
2019-07-01 cs.LG stat.ML
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
Time Series Prediction : Predicting Stock Price
时间序列预测广泛应用于众多领域。在本文中，我们提出了四个模型来预测股票价格使用SPX指数作为输入时间序列数据。鞅模型和普通线性模型需要最强的平稳性假设，我们将其用作基线模型。广义线性模型需要较少的假设，但无法优于鞅。在实证测试中，RNN模型与其他两个模型相比表现最好，因为它会通过LSTM即时更新输入，但也不会击败鞅。此外，我们还介绍了一种在线批量算法和差异度量，以告知读者时间序列预测方法的最新研究，它不需要任何平稳性或非混合假设的时间序列数据。最后，为了将这些预测应用于实践，我们介绍了可以创造双赢和零和局面的基本交易策略。
2017-10-19 stat.ML
Nonlinear Time Series Classification Using Bispectrum-based Deep Convolutional Neural Networks
University of Missouri（密苏里大学）；U.S. Census Bureau（美国人口普查局）；University of Connecticut（康涅狄格大学）
时间序列分类使用新的技术经历了最近的复苏和增长的兴趣，从统计学家，学科领域的科学家，决策者在商业和工业。这主要是由于技术进步产生的大量复杂数据不断增加。一个鼓舞人心的例子是谷歌趋势数据，它表现出高度非线性的行为。虽然存在丰富的文献来解决这个问题，现有的方法主要依赖于时间序列的一阶和二阶特性，因为它们通常假设基本过程的线性。通常，这些不足以对非线性时间序列数据（如Google趋势数据）进行有效分类。考虑到这些方法上的缺陷以及现实世界中存在的大量非线性时间序列，我们引入了一种将高阶谱分析（HOSA）与深度卷积神经网络（CNN）相结合的方法，用于对时间序列进行分类。我们的方法的有效性说明使用模拟数据和两个激励行业的例子，涉及谷歌的趋势数据和电子设备的能源消耗数据。
2020-03-04 cs.LG stat.ML
Predicting the State of Synchronization of Financial Time Series using Cross Recurrence Plots
互相关分析是理解时间序列相互动态性的有力工具。本文提出了一种新的方法来预测两个金融时间序列的动态同步的未来状态。为此，我们使用交叉递归图分析作为一种非线性方法，用于量化两个时间序列的时间域中的多维耦合，并用于确定它们的同步状态。我们采用深度学习框架，根据从动态子采样交叉递归图中提取的特征，在方法上解决同步状态的预测问题。我们提供了大量的实验，几个股票，主要成分的标准普尔100指数，实证验证我们的方法。我们发现，预测两个时间序列的同步状态的任务一般是相当困难的，但对于某些对股票可达到非常令人满意的性能。
2022-11-02 q-fin.ST stat.ML
Predicting Tourism Demand in Indonesia Using Google Trends Data
旅游数据是印度尼西亚的战略数据之一。此外，旅游业是印尼国家发展规划的十大优先项目之一。BPS-Statistics Indonesia收集了与印度尼西亚旅游需求相关的数据，但这些数据有不同的时间段。有些数据可以按月提供，其他数据可以按年提供。然而，有效的政策制定需要准确和实时的旅游数据。在这个时代，所有关于旅游目的地或住宿的信息都可以通过互联网轻松获得，特别是来自Google搜索引擎的信息，例如旅游地点，航班，酒店和旅游景点门票的信息。自2004年以来，Google一直通过Google Trends工具提供用户行为信息。本文旨在分析和比较Google趋势数据与BPS-Statistics Indonesia的旅游统计数据中的印度尼西亚旅游需求模式。为了了解印度尼西亚的旅游需求，我们使用Google Trends数据进行了一系列与旅游相关的查询。本文表明，相关查询的搜索强度提供了在印度尼西亚的预测旅游需求的模式。通过比较几种时间序列模型的预测结果，对预测结果进行了评价。此外，我们将Google趋势数据与官方数据进行了比较和关联。研究结果表明，当发生灾害时，谷歌趋势数据和旅游统计数据具有相似的模式。结果还表明，Google Trends数据与官方数据具有相关性，并对印度尼西亚的旅游需求进行了准确的预测。因此，Google趋势数据可以用来预测和了解印度尼西亚的旅游需求模式。
2022-11-25 stat.AP
Time Series Forecasting: Obtaining Long Term Trends with Self-Organizing Maps
Kohonen自组织映射是一种众所周知的分类工具，通常用于各种各样的问题，但在时间序列预测方面的应用有限。在本文中，我们提出了一种预测方法，专门设计用于多维长期趋势预测，与Kohonen算法的双重应用。文中还介绍了该方法的实际应用。
2007-01-08 cs.LG math.ST stat.TH
Nonparametric Trend Estimation in Functional Time Series with Application to Annual Mortality Rates
Here, we address the problem of trend estimation for functional time series . Existing contributions either deal with detecting a functional trend or assuming a simple model. They consider neither the estimation of a general functional trend nor the analysis of functional time series with a functional trend component. Similarly to univariate time series , we propose an alternative methodology to analyze functional time series , taking into account a functional trend component. We propose to estimate the functional trend by using a tensor product surface that is easy to implement, to interpret,…
2020-08-21 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
Predicting Customer Churn: Extreme Gradient Boosting with Temporal Data
Seycor Consulting（Seycor咨询公司）
利用大规模时间序列数据准确预测客户流失是许多商业领域面临的共同问题。由于时间序列数据常见的时间问题，跨各种时间窗口创建用于训练和测试的模型特征可能特别具有挑战性。在本文中，我们将探索极端梯度提升（XGBoost）在具有各种时间特征的客户数据集上的应用，以创建高度准确的客户流失模型。特别是，我们描述了一种有效的方法来处理时间敏感的特征工程。该模型在WSDM Cup 2018 Churn Challenge中提交，并在575支球队中获得第一名。
2018-02-09 cs.AI cs.LG stat.ML
Predicting the Age of Astronomical Transients from Real-Time Multivariate Time Series
MIT（麻省理工学院）；Texas Tech University（德克萨斯理工大学）；UC Santa Cruz（加州大学圣克鲁兹分校）
本文提出首个基于贝叶斯概率循环神经网络的方法，从实时多波长时间序列中预测天文瞬变现象的年龄，为巡天后续观测优先级排序提供支持。
2023-11-28 astro-ph.HE astro-ph.IM cs.LG
A Latent Source Model for Nonparametric Time Series Classification
MIT（麻省理工学院）；Twitter（推特）
对于分类时间序列，最近邻方法在实践中被广泛使用，其性能通常与诸如神经网络、决策树和支持向量机等更精细的方法竞争或更好。我们开发的有效性的最近邻类分类的时间序列的理论依据。我们的指导假设是，在许多应用中，例如预测哪些主题将成为Twitter上的趋势，实际上并没有那么多的原型时间序列开始，相对于我们可以访问的时间序列的数量，例如，话题在Twitter上只以几种不同的方式成为趋势，而我们可以收集大量的Twitter数据。为了实现这一假设，我们提出了一个潜在的源模型的时间序列，这自然会导致一个“加权多数表决”的分类规则，可以近似的最近邻分类。我们建立了非渐近性能保证加权多数表决和最近邻分类在我们的模型占多少的时间序列，我们观察和模型的复杂性。在人工数据上的实验结果表明，加权多数表决算法在观测较少的时间序列的情况下，取得了与最近邻分类算法相同的误分类率。然后，我们使用加权多数来预测Twitter上的哪些新闻主题成为趋势，我们能够在79%的时间内提前检测到这些“趋势主题”，平均提前优势为1小时26分钟，真阳性率为95%，假阳性率为4%。
2013-12-13 cs.LG cs.SI stat.ML
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
Testing for Parallelism Between Trends in Multiple Time Series
本文研究了多个非平稳时间序列的趋势推断问题。为了检验趋势是否相互平行，我们使用了基于非参数趋势估计量与其平均值之间的L2距离的平行性指数。得到了检验统计量的中心极限定理，并建立了检验的相合性。我们提出了一个基于模拟的近似分布的检验统计量，显着改善后的正常近似。该测试也适用于设计一个聚类算法。最后，有限样本的测试性能进行评估，通过模拟和测试方法说明了时间序列从摩托罗拉手机活动在美国。
2011-05-24 math.ST stat.ME stat.TH
Automatic Locally Stationary Time Series Forecasting with application to predicting U.K. Gross Value Added Time Series under sudden shocks caused by the COVID pandemic
英国的准确预测总增加值（GVA）是衡量英国经济增长的基本指标。经济GVA数据（如ABML序列）中常见的非平稳性是由于通货膨胀导致方差随时间增加。对于传统的平稳假设预测者来说，经过转换或通胀调整的序列仍然具有挑战性。我们采用了一种不同的方法，直接与GVA系列的本地平稳时间序列推进最近的预测方法。我们的方法导致更准确可靠的预测，即使ABML系列在COVID大流行期间变得高度可变，我们的方法仍继续有效。
2023-03-14 stat.AP stat.ME
Spherically Embedded Time Series with Unknown Trend and Periodic Components
Macquarie University（麦考瑞大学）
本文提出统一的几何框架分析非平稳球面嵌入时间序列，通过非参数球面趋势-周期性分解模型提取趋势和周期成分，结合球面自回归模型提升预测性能。
2026-08-28 stat.AP stat.ME
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
TrendLSW: Trend and Spectral Estimation of Nonstationary Time Series in R
TrendLSW包提供小波技术分析非平稳时间序列，包括趋势下谱估计、趋势估计及置信区间，支持任意长度数据，无需预处理。
2024-11-05 stat.CO stat.ME
Trend estimation for time series with polynomial-tailed noise
针对非随机非等距时间点观测的时间序列，在函数有界全变差和误差低阶矩条件下，提出适应非 dyadic 样本量的 Haar 型基非线性小波估计器，推导多项式尾噪声稀疏信号阈值方案并应用于趋势估计。
2025-02-12 math.ST stat.TH
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
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
Extracting Common Time Trends from Concurrent Time Series: Maximum Autocorrelation Factors with Application to Tree Ring Time Series Data
并发时间序列通常出现在各种应用中，包括在监测环境时，例如在空气质量测量网络、气象站、海洋学浮标中，或在古形式中，例如湖泊沉积物、树环、冰芯或珊瑚同位素，每个监测或采样站点提供时间序列之一。这些应用的目标是在观测数据中提取共同的时间趋势或信号。目标是提取多个时间序列的共同时间趋势的其他示例是股票价格时间序列、神经时间序列和质量控制时间序列。为了这个目的，我们开发MAF [最大自相关因子]的属性，线性组合时间序列，以最大化得到的SNR [信号噪声比]，其中有多个平滑信号存在于数据中。在MAF和CCA [典型相关分析]之间的回归设置中建立等效性，即使MAF不需要与CCA相反的特定信号知识。我们继续推导MAF的理论特性，并量化MAF的SNR优势，与PCA [主成分分析]，一种常用的方法，线性组合时间序列，并比较其统计样本特性。然后将MAF和PCA应用于真实和模拟数据集，以说明MAF的功效。
2015-10-17 stat.ME
Large-Scale Curve Time Series with Common Stochastic Trends
本文研究具有共同随机趋势的高维曲线时间序列，提出双重泛函因子模型并结合泛函PCA技术进行估计，推导了收敛性与极限分布理论，通过模拟与实证验证了方法的有效性。
2025-09-14 econ.EM stat.ME
A mathematical proof of the existence of trends in financial time series
通过证明金融时间序列中趋势的存在，我们正在解决量化金融中的一个长期争论，这要归功于卡地亚和Y。Perrin，用非标准分析的语言表达（有限集上的积分，F。& M. Diener（Eds）：Nonstandard Analysis in Practice，Springer，1995，pp. 195- 204）。这些趋势可能与一些改变的随机游走范式和有效市场假说共存，但似乎很难与著名的布莱克-斯科尔斯模型相协调。他们估计通过最近的技术源于控制和信号理论。对各种金融量的预测进行了几个相当有说服力的计算机模拟。最后，我们讨论概率论的作用。
2009-01-14 cs.CE math.CA math.PR
Modelling Time-Varying First and Second-Order Structure of Time Series via Wavelets and Differencing
在实践中观察到的大多数时间序列表现出随时间变化的趋势（一阶）和自协方差（二阶）的行为。差分是一种常用的技术，以消除这种序列中的趋势，以估计（差分序列的）时变二阶结构。然而，我们通常需要对原始序列的二阶行为进行推断，例如，在进行趋势估计时。在这篇文章中，我们提出了一种方法，使用差分，联合估计的时变趋势和二阶结构的非平稳时间序列，在局部平稳小波建模框架。我们开发了一个基于小波的估计的二阶结构的原始时间序列的基础上的差分估计，并展示了如何将其纳入估计的趋势的时间序列。我们进行了模拟研究，以调查的方法的性能，并通过分析环境和生物医学科学的数据例子，证明该方法的实用性。
2022-04-06 stat.ME
On trend and its derivatives estimation in repeated time series with subordinated long-range dependent errors
对于时间上规则分布的数据集，有很多方法可以使用，并且这些方法的性质得到了广泛的研究。对于具有复杂相关结构的不规则时态数据集，尽管这类数据集广泛存在，但对受测量误差影响的数据集的研究较少。本文研究了在测量误差相关和不规则采样间隔下，核函数平滑器对趋势及其导数的平滑性能。假设误差过程是服从高斯长记忆过程，具有变化的边缘分布。导出了趋势及其导数估计量的泛函中心极限定理，并讨论了带宽选择问题。
2018-03-14 stat.ME
Modeling Interval Trendlines: Symbolic Singular Spectrum Analysis for Interval Time Series
在这篇文章中，我们提出了一个扩展的奇异谱分析的区间值时间序列。所提出的方法可以用来分解和预测集值随机过程的动力学。区间时间序列被分解的结果分量可以被理解为区间趋势线、周期或噪声。预测可以通过线性递归方法进行，我们设计了多变量设置的分解方法的概括。所提出的方法的性能展示在模拟研究。我们应用所提出的方法，以跟踪动态管理阿根廷股市（MERVAL）在实时，在一个案例研究，涵盖了最近一段时间的动荡，导致阿根廷政府与国际货币基金组织的讨论。
2020-11-08 stat.AP stat.ME
Locally Adaptive Shrinkage Priors for Trends and Breaks in Count Time Series
提出负二项贝叶斯趋势滤波器（NB-BTF），利用动态全局-局部收缩先验捕捉计数时间序列的多尺度特征，模拟中优于现有方法，并在停电频率数据上验证了其有效性与不确定性量化。
2023-08-31 stat.ME
Inference on common trends in functional time series
Aarhus Center for Econometrics（奥胡斯计量经济学中心）；Aarhus University（奥胡斯大学）
本文研究了在Hilbert空间中时间序列的单位根和协整的统计推断，提出对嵌入时间序列中的共同随机趋势数量（非平稳子空间维度）的推断方法，并考虑非平稳和平稳子空间的假设检验。
2026-07-06 econ.EM math.ST stat.TH
Online Bootstrap Inference for the Trend of Nonstationary Time Series
LMU Munich（慕尼黑大学）；Munich Center for Machine Learning（慕尼黑机器学习中心）
提出一种在线自助法方案，用于非平稳时间序列的非参数水平估计，实现可扩展的不确定性量化，适用于自适应异常检测、在线监测等场景。
2026-06-26 stat.CO stat.ME
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
Some recent trends in embeddings of time series and dynamic networks
本文综述了时间序列嵌入和动态网络嵌入的最新进展。我们从传统的主成分开始，然后看看时间序列的动态因子模型的扩展。与时间序列的主成分不同，关于时变非线性嵌入的文献相当稀少。文献中最有前途的方法是基于神经网络的，并且最近在预测比赛中表现良好。我们还触及拓扑数据分析中不同形式的动力学。本文的最后一部分涉及动态网络的嵌入，我们认为现有理论与大多数现实世界网络的行为之间存在差距。我们用两个模拟的例子来说明我们的评论。在整个审查中，我们强调静态和动态的情况下，并指出几个开放的问题，在动态的情况下之间的差异。
2022-12-16 stat.ME
SiZer for time series: A new approach to the analysis of trends
平滑方法和SiZer是发现数据中统计显著结构的有用统计工具。基于最初在计算机视觉文献中开发的尺度空间思想，SiZer（导数的显著零交叉）是一种图形设备，用于评估哪些观察到的特征“真的存在”，哪些只是虚假的采样伪影。在本文中，我们发展SiZer一样的想法在时间序列分析，以解决重要的问题的意义的趋势。这不是一个简单的延伸，因为一个数据集并不包含区分“趋势”和“依赖性”所需的信息。提出了一种新的可视化方法，向统计人员显示了可用的权衡范围。仿真和实际数据结果表明了该方法的有效性。
2007-06-28 stat.ME
Beta regression for time series analysis of bounded data, with application to Canada Google${}^\circledR$ Flu Trends
在实际应用中经常会遇到由比率或比例组成的有界时间序列。本文提出了一种实用的方法来分析有界时间序列，通过贝塔回归模型。该方法允许直接解释的回归参数的原始响应规模，同时适当占异方差典型的有界变量。序列相关性由高斯Copula建模，相关矩阵对应于平稳的自回归和移动平均过程。它表明，推理，预测和控制可以直接进行，与自回归和移动平均模型的标准分析的微小修改。该方法的动机是应用于Google ${}^\circledR$ Flu Trends项目估计的流感样疾病发病率。
2014-04-14 stat.AP
Time-varying correlation network analysis of non-stationary multivariate time series with complex trends
本文提出了一个灵活的框架，从多变量或高维非平稳时间序列分段平滑趋势推断大规模时变和时滞相关网络。建立在一个新的和统一的多重测试程序的时滞互相关函数与一个固定或发散的滞后数，我们的方法可以准确地揭示灵活的时变网络结构与复杂的功能结构在所有的时间点。我们扩大了我们的方法的适用性，通过开发基于差分的互相关非参数估计的结构中断，实现准确的家庭明智的错误控制，通过自适应复杂的时间动态的引导辅助程序，并提高恢复的概率时变网络结构使用一个新的均匀方差减少技术。我们证明了所提出的方法的渐近有效性，并通过仿真研究和实证应用表明其有效性在有限样本。
2023-02-10 math.ST stat.ME stat.TH
Robust Dominant Periodicity Detection for Time Series with Missing Data
DAMO Academy, Alibaba Group（阿里巴巴集团达摩院）
周期性检测是时间序列分析中的一项重要任务，但由于时间序列数据具有突变趋势、异常值、噪声、尤其是块缺失数据等多种特征，周期性检测仍然是一个具有挑战性的问题。本文提出了一种鲁棒有效的时间序列块缺失周期检测算法。我们首先设计了一个鲁棒的趋势滤波器，以消除缺失数据下复杂趋势模式的干扰。然后，我们提出了一个强大的自相关函数（ACF），可以有效地处理缺失值和离群值。严格证明了当丢失块长度小于周期长度的$1/3$时，所提出的鲁棒ACF仍然可以很好地工作。最后，结合时频信息，我们的算法可以准确地产生周期长度。实验结果表明，我们的算法优于现有的周期性检测算法在真实世界的时间序列数据集。
2023-03-06 cs.LG eess.SP stat.AP
Predicting Bad Goods Risk Scores with ARIMA Time Series: A Novel Risk Assessment Approach
Department of Computer Science and Engineering, National Institute of Technology Rourkela（计算机科学与工程系，拉尔卡纳国家理工学院）
提出结合 ARIMA 时间序列预测与专有不良品计算公式的风险评估框架，并在 Organic Beer-G 1 Liter 数据上验证其优于传统统计模型。
2025-06-09 cs.AI cs.LG stat.AP
Robust Time Series Dissimilarity Measure for Outlier Detection and Periodicity Detection
DAMO Academy, Alibaba Group（阿里巴巴集团达摩院）
动态时间规整（DTW）是一种有效的时间序列相异性度量方法。尽管它很受欢迎，但它容易受到噪声和离群值的影响，这导致了测量中的奇异性问题和偏差。DTW的时间复杂度是时间序列长度的二次函数，这使得它不适用于实时应用。在本文中，我们提出了一种新的时间序列的相异性度量命名为RobustDTW，以减少噪声和离群值的影响。具体来说，RobustDTW估计的趋势，并优化时间扭曲的交替方式，利用我们设计的时间图趋势过滤。为了提高效率，我们提出了一个多层次的框架，估计的趋势和扭曲函数在较低的分辨率，然后反复完善他们在一个更高的分辨率。在RobustDTW算法的基础上，进一步将其扩展到周期性检测和异常时间序列检测。在真实数据集上的实验表明，与DTW变体相比，RobustDTW在离群时间序列检测和周期性检测方面具有优异的性能。
2022-06-07 cs.LG eess.SP stat.AP
Estimating the turning point location in shifted exponential model of time series
将时间序列的转折点位置的分布建模为确定性趋势加随机噪声之和。如果变量是由移位指数，其位置参数定义的趋势建模，我们提供了一个公式计算的转折点位置的分布，从而估计一个置信区间的位置。我们测试这个公式在模拟的数据系列具有不对称的最小值的趋势，调查的覆盖率作为带宽参数的函数。该方法被应用于估计RT间期的时间序列的最小位置的置信区间，该RT间期从运动试验期间记录的心电图中提取。我们讨论与随机序的联系。
2016-02-17 stat.ME
Complex trend inference for high-dimensional piecewise locally stationary time series
Ruhr-Universität Bochum（波鸿鲁尔大学）
本文研究了在非平稳噪声和异步结构断点下的高维分段光滑信号趋势推断问题，通过先检测异步变化不假设平稳性，再利用潜在群体结构估计趋势函数。提出AJDN方法用于高维时间序列中跳跃的识别与定位，并通过模拟研究验证了方法的鲁棒性和有限样本性能。
2026-04-24 stat.ME
Inference in matrix-valued time series with common stochastic trends and multifactor error structure
本文针对高维矩阵值时间序列提出三步估计方法，通过先投影去除共同随机趋势、再估计平稳成分、最后重新估计趋势及其载荷，改进了扁平化估计器的收敛速度，并给出因子数量的一致估计。
2025-01-03 stat.ME
Detecting changes in the trend function of heteroscedastic time series
我们提出了一个新的渐近检验来评估一个时间序列的平均值的平稳性，适用于同时存在异方差和短程依赖。我们的检验统计量由局部样本均值的基尼均值差组成。为了分析其渐近行为，我们发展了新的极限理论的U-统计量的强混合三角形阵列下的非平稳。最重要的是，我们显示渐近正态性的检验统计量的假设下，一个恒定的平均值，并证明了测试的一致性对一个非常一般的类的替代品，包括平滑和突然的变化的平均值。我们提出了所有参数的估计，包括一个适应的子采样估计长期方差，并显示其一致性。我们的程序实际上是在一个广泛的模拟研究和两个数据的例子进行评估。
2021-08-20 math.ST stat.TH
Defining a Trend for a Time Series Which Makes Use of the Intrinsic Time-Scale Decomposition
我们提出的标准，定义一个趋势的时间序列与固有的多尺度功能。我们称这种趋势为时间序列的{ \it趋势}。该趋势由一组标准凭经验定义，并捕获原始信号的大规模时间变化以及其直方图中最频繁的事件。在其他属性中，趋势的方差不大于原始信号的方差;原始信号和趋势之间的差异的直方图尽可能对称;并且以降低的复杂性，趋势捕获信号的基本特征。为了找到趋势，我们首先使用Frei和Osorio在2007年提出的信号的内在时间尺度分解（ITD）来产生一组候选趋势。然后，我们将这些标准应用于每个候选人，以选出最符合他们的候选人。虽然标准的趋势是独立的信号分解方案，它被发现，ITD是一个简单而稳定的方法，非常适合于多尺度信号。ITD是一个相对较新的分解，对其结果知之甚少。在这项研究中，我们采取的第一个步骤对随机时间序列的ITD分析的概率模型。这种分析产生的细节的分解的组件的普遍性和缩放特性。
2014-04-15 math.ST physics.data-an stat.TH
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
Accounting for Skill in Trend, Variability, and Autocorrelation Facilitates Better Multi-Model Projections: Application to the AMOC and Temperature Time Series
我们提出了一种新的准贝叶斯方法来衡量多个动态模型，他们的技能，在捕捉潜在的非线性趋势和一阶自相关的变化的基本过程，并加权概率预测。我们验证的方法，使用一套一次交叉验证实验，涉及大西洋纬向翻转环流（AMOC），其基于温度的指数，以及韩国夏季平均最高温度。在这些实验中，该方法往往表现出优越的技能，在权重分配和概率预测方面的趋势贝叶斯模型平均加权方法。具体而言，预测的平均可信区间宽度和平均绝对误差趋于改善。我们应用该方法的问题，预计夏季平均最高温度变化在韩国到21世纪末，使用多模式合奏。与仅趋势方法相比，新方法明显锐化了概率分布函数（pdf），并增加了韩国未来最有可能的、中值和平均变暖。该方法是灵活的，有可能改善地球科学和其他领域的预测。
2019-04-17 stat.AP
A Method of Trend Extraction Using Singular Spectrum Analysis
本文提出了一种新的趋势提取的奇异谱分析（SSA）方法的框架。该方法使用方便，不需要指定时间序列和趋势的模型，允许在存在噪声和振荡的情况下提取趋势，并且只有两个参数（除了称为窗口长度的基本SSA参数）。一个参数管理提取的趋势的规模，另一个是方法特定的阈值。我们提出的参数的选择程序。所提出的方法进行评估的模拟时间序列与多项式的趋势和振荡成分与未知的周期和季节性调整后的月度数据的失业水平在阿拉斯加期间1976/01-2006/09。
2009-06-05 stat.ME
Nowcasting Growth using Google Trends Data: A Bayesian Structural Time Series Model
本文通过混合频率贝叶斯结构时间序列（BSTS）模型的镜头，研究了谷歌趋势形式的互联网搜索数据对实时预测美国实际GDP增长的好处。我们增加和增强模型和方法，使这些更好地适应临近预报与大量的潜在协变量。具体来说，我们允许将状态方差缩小到零以避免过拟合，在更灵活的正态-逆伽马先验之前扩展SSVS（尖峰和板变量选择），这对底层模型大小保持不可知，以及在BSTS之前调整马蹄铁。应用于临近预报GDP增长以及模拟研究表明，马蹄事先BSTS显着改善SSVS和原始BSTS模型在密集的数据生成过程中的最大收益。我们的应用程序还表明，在其他宏观经济数据可用之前，一个大维度的搜索词集能够在特定季度的早期改善即时预测。包含概率高的搜索词具有良好的经济解释性，反映了经济焦虑和财富效应的领先信号。
2022-05-15 econ.EM stat.AP
Prediction in locally stationary time series
我们开发了一个估计的高维协方差阵的局部平稳过程的平稳变化的趋势，并使用此统计量来获得一致的预测非平稳时间序列。与目前可用的方法相比，这个问题的预测不依赖于拟合自回归模型，不需要消失的趋势。新方法的有限样本性质说明了通过模拟研究和金融指数的研究。
2020-01-04 econ.EM math.ST stat.ME
