Effective Series Decomposition and Components Learning for Time Series Generation
School of Engineering and Applied Science, University of Pennsylvania（工程与应用科学学院，宾夕法尼亚大学）；Viterbi School of Engineering, University of Southern California（工程学院，南加州大学）
提出STDiffusion框架，结合扩散概率模型与可学习序列分解技术，通过MLP和自适应小波蒸馏分别学习趋势与季节性，并设计校正机制保证组件一致性，在八个真实数据集上达到SOTA。
2025-11-02 cs.LG
Alert: Learning Trigger Functions for Early Classification of Time Series using Deep-RL
Orange Innovation（奥兰治创新中心）；AgroParisTech（巴黎农艺学院）
针对时间序列早期分类的触发函数优化问题，提出Deep-RL框架Alert及变体Alert+，经30个数据集验证，Alert+在平衡准确率与延迟上优于传统方法，已发布支持研究与应用。
2026-09-01 cs.LG
Early Classification of Time Series in Non-Stationary Cost Regimes
Orange Research（Orange研究院）
本文研究了在非平稳成本环境下时间序列的早期分类问题，提出在线学习方法提升分类鲁棒性，实验证明强化学习策略在不同成本制度下表现稳定。
2026-04-03 cs.LG
Benefit-aware Early Prediction of Health Outcomes on Multivariate EEG Time Series
Carnegie Mellon University（卡内基梅隆大学）；Amazon Inc.（亚马逊公司）；National University of Singapore（新加坡国立大学）；University of Pittsburgh（匹兹堡大学）
针对ICU中脑电监测的早期预测问题，提出BeneFitter，通过统一效益目标实现早期性与准确性的权衡，支持多变量变长时间序列，训练线性且实时，节省多达2倍时间且准确率不降。
2021-11-11 cs.LG
FETERS: Few-Shot Early Time-Series Classification via Effective Ratio Selection
本文提出FETERS少样本早期时间序列分类框架，通过类留一法选停止比率、惩罚奖励函数平衡权衡，结合Rocket特征与Chronos表示，在69个数据集的5样本设置下达最优性能。
2026-08-18 cs.LG
Clustering individuals based on multivariate EMA time-series data
Maastricht University（马斯特里赫特大学）；University of Amsterdam（阿姆斯特丹大学）
在精神病理学领域，生态瞬时评估（EMA）方法的进步为收集时间密集型、重复性和个体内测量提供了新的机会。通过这种方式，大量的数据变得可用，为进一步探索精神障碍提供了手段。因此，需要先进的机器学习（ML）方法来理解数据特征，并揭示关于潜在复杂心理过程的隐藏和有意义的关系。在其他用途中，ML通过聚类促进了不同个体数据中相似模式的识别。本文主要研究将个体的多变量时间序列（MTS）数据聚类成若干组。由于聚类是一个无监督的问题，因此评估结果分组是否成功是具有挑战性的。因此，我们研究不同的聚类方法的基础上不同的距离措施，并评估它们的稳定性和质量的派生集群。这些聚类步骤在真实世界的EMA数据集上进行了说明，包括33个个体和15个变量。通过评估，基于核的聚类方法的结果似乎有希望识别数据中有意义的群体。因此，EMA数据的有效表示在聚类中起着重要作用。
2022-12-02 cs.LG
End-to-end Early Classification of Time Series in Non-Stationary Environments
Orange Research（奥朗日研究中心）；AgroParisTech（巴黎高等农业工程师学院）
本研究针对非平稳环境下的时间序列早期分类问题，提出基于强化学习的DQeND端到端架构，联合学习表示、分类与触发决策，其鲁棒性和性能优于可分离基线，验证了端到端学习的优势。
2026-08-21 cs.LG
Approaches and Applications of Early Classification of Time Series: A Review
Indian Institute of Technology (BHU) Varanasi（瓦拉纳西印度理工学院（BHU））
时间序列的早期分类已被广泛研究，以最大限度地减少医疗保健和金融等对时间敏感的应用中的类预测延迟。早期分类方法的一个主要任务是尽可能快地对不完整的时间序列进行分类，并具有一定的准确度。近年来，出现了几种时间序列的早期分类方法。由于大多数方法都从不同方面解决了早期分类问题，因此对现有解决方案进行全面审查以了解该领域的现状变得非常重要。这些解决方案已经证明了合理的性能，在广泛的应用，包括人类活动识别，基因表达为基础的健康诊断，工业monitoring，等在本文中，我们提出了一个系统的回顾，目前的文献早期分类方法为单变量和多变量的时间序列。我们将各种现有的方法分为四个专属类别的基础上，他们提出的解决方案的战略。这四类方法包括基于前缀的方法、基于shapelet的方法、基于模型的方法和其他方法。作者还讨论了早期分类在许多领域的应用，包括工业监测，智能交通和医疗。最后，我们对当前文献进行了快速总结，并指出了未来的研究方向。
2020-10-15 cs.LG stat.ML
Event-Based Early Warning of Vineyard Disease Risk from Environmental Time Series
Faculty of Computer Science and Engineering, Ss. Cyril and Methodius University（圣西里尔与美多德大学计算机科学与工程学院）
本文提出基于事件的环境时间序列预警方法，将葡萄园病害预测重构为未来3-7天风险期转变预测，评估多种模型，验证其支持短时预警并优于传统每日分类。
2026-09-23 cs.LG
Time series saliency maps: explaining models across multiple domains
EPFL（苏黎世联邦理工学院）
本文提出跨域集成梯度方法，用于时间序列模型的跨领域解释，通过复杂域扩展实现频率基属性分配，在三个真实任务中展示了可解释的领域特定属性。
2026-05-07 cs.LG
Multivariate Time Series Early Classification Across Channel and Time Dimensions
Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）
针对多变量时间序列早期分类仅关注时间维度的问题，提出一种利用强化学习并引入约束的灵活流水线，将早期分类范式扩展至通道维度，在同等输入利用率下提升了准确率。
2023-06-26 cs.AI cs.LG
Early Abandoning and Pruning for Elastic Distances including Dynamic Time Warping
Monash University（莫纳什大学）
弹性距离下的最近邻搜索是时间序列分析的一个重要工具，支持许多应用。然而，距离的直接实现需要$O(n^2)$空间和时间复杂度，从而阻止这些应用扩展到长系列。许多工作都致力于加快NN搜索过程，主要是下限的发展，允许在超过给定阈值时避免昂贵的距离计算。由相似性搜索过程提供的该阈值还允许提前放弃距离本身的计算。另一种方法是修剪部分计算。所有这些技术都是相互正交的。在这项工作中，我们开发了一个新的通用策略，“EAPruned”，紧密结合修剪与早期放弃。我们将其应用于六个弹性距离措施：DTW，CDTW，WDTW，ERP，MSM和TWE，在NN搜索应用程序中显示出显着的加速。单独修剪也显示了一些距离的显著加速，有利于NN搜索范围之外的应用（例如，需要所有成对距离），因此早期放弃不适用。我们将我们的实现作为一个新的C++库的一部分发布，用于时间序列分类，以及易于使用的Python/Numpy绑定。
2021-06-03 cs.LG
Classifiers With a Reject Option for Early Time-Series Classification
University of California（加利福尼亚大学）；Babes-Bolyai University（巴贝什-博利亚伊大学）
动态环境下时间序列数据的早期分类是信号处理中一个具有挑战性的重要问题。本文提出了一种具有拒绝选项的分类器架构，能够在线决策，而无需等待整个时间序列信号。其主要思想是尽可能早地以可接受的精度对气味/气体信号进行分类。该方法不使用分类器的后验概率，而是使用集合的“一致性”来决定是否接受或拒绝候选标签。将该算法应用于气味分类的生化问题，构建了一种新的电子鼻--Forefront-Nose。风洞实验台上的实验结果证实了鲁棒性的前鼻相比，标准分类器从早期和识别的角度。
2013-12-14 cs.CV cs.LG
$k$-Graph: A Graph Embedding for Interpretable Time Series Clustering
本文提出无监督图嵌入方法 $k$-Graph，通过多长度子序列图表示支持变长时间序列聚类，在准确率上超过现有先进算法并增强结果可解释性。
2025-02-18 cs.LG
Integrating Physiological Time Series and Clinical Notes with Transformer for Early Prediction of Sepsis
UC, Davis Health（加州大学戴维斯健康中心）；University of California, Santa Barbara（加州大学圣巴巴拉分校）
脓毒症是重症监护病房（ICU）的主要死亡原因。脓毒症的早期检测对患者的生存至关重要。在本文中，我们提出了一个多模式Transformer模型，用于早期脓毒症预测，使用生理时间序列数据和临床笔记，为每个病人在ICU入院$36$小时。具体而言，我们的目标是仅使用前12，18，24，30和36小时的实验室测量，生命体征，患者人口统计学和临床记录来预测脓毒症。我们在两个大型重症监护数据集上评估了我们的模型：MIMIC-III和eICU-CRD。所提出的方法与六个基线进行了比较。此外，进行消融分析和病例研究，以研究模型的每个单独组件的影响和每个数据模态对早期脓毒症预测的贡献。实验结果表明，我们的方法的有效性，它优于竞争基线的所有指标。
2022-03-28 cs.AI cs.LG
SSDNet: State Space Decomposition Neural Network for Time Series Forecasting
The University of Sydney（悉尼大学）
在本文中，我们提出了SSDNet，这是一种用于时间序列预测的新型深度学习方法。SSDNet将Transformer架构与状态空间模型相结合，以提供概率和可解释的预测，包括趋势和季节性组件以及对预测重要的先前时间步长。Transformer架构用于直接有效地学习时间模式并估计状态空间模型的参数，而不需要卡尔曼滤波器。我们在五个数据集上全面评估了SSDNet的性能，表明SSDNet在准确性和速度方面是一种有效的方法，优于最先进的深度学习和统计方法，并且能够提供有意义的趋势和季节性成分。
2021-12-19 cs.LG
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
Early Prediction of Causes (not Effects) in Healthcare by Long-Term Clinical Time Series Forecasting
Heidelberg University（海德堡大学）
提出通过长期时间序列预测直接预测临床变量原因而非结果，利用 Transformer 结合密集编码器和迭代多步解码器，实现可解释且通用的早期综合征诊断。
2024-08-26 cs.LG
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
MEET-Sepsis: Multi-Endogenous-View Enhanced Time-Series Representation Learning for Early Sepsis Prediction
Guangdong University of Technology（广东技术大学）；Women and Children's Medical Center of Southern Medical University（南方医科大学妇女儿童医疗中心）；Shenzhen Maternity and Child Healthcare Hospital（深圳妇幼保健医院）；Shenzhen BH-Energy Technology Co., Ltd.（深圳BH能源科技有限公司）；Hong Kong Baptist University（香港 Baptist大学）
针对早期脓毒症信号微弱难捕捉的问题，提出MEET-Sepsis框架，通过MERE多视图增强与CDTA多尺度时序注意力，仅用SOTA方法20%的监测时间即取得有竞争力的预测准确率。
2025-10-21 cs.AI cs.LG
ChemTime: Rapid and Early Classification for Multivariate Time Series Classification of Chemical Sensors
Worcester Polytechnic Institute（伍斯特理工学院）；U.S. Army DEVCOM Soldier Center（美国陆军DEVCOM士兵中心）
针对化学电阻传感器阵列的化学检测需求，该研究调研相关分类方法，提出新型ChemTime多变量时间序列分类方法，在保证轻量设备性能的同时实现快速早期分类与高精度。
2023-12-15 cs.LG q-bio.QM
SigTime: Learning and Visually Explaining Time Series Signatures
Department of Computer Science, University of California, Davis（计算机科学系，加州大学戴维斯分校）
SigTime通过联合训练Transformer模型，利用形状let和传统特征工程，实现时间序列的可解释学习与可视化分析，提升时间模式识别的准确性和可解释性。
2025-12-12 cs.LG stat.ML
Current Time Series Anomaly Detection Benchmarks are Flawed and are Creating the Illusion of Progress
University of California Riverside（加州大学河滨分校）
时间序列异常检测一直是数据科学中的一个重要课题，相关论文可以追溯到20世纪50年代。然而，近年来，人们对这个主题的兴趣激增，其中很大一部分是由于深度学习在其他领域和其他时间序列任务中的成功。这些论文中的大多数都是在由Yahoo，Numenta，NASA等创建的少数几个流行的基准数据集上进行测试的。这些数据集中的大多数个体样本都存在四个缺陷中的一个或多个。由于这四个缺陷，我们认为许多已发表的异常检测算法的比较可能是不可靠的，更重要的是，近年来许多明显的进展可能是虚幻的。除了证明这些说法，本文还介绍了UCR时间序列异常档案。我们相信，这一资源将发挥与UCR时间序列分类档案类似的作用，为社区提供一个基准，允许对方法进行有意义的比较，并对总体进展进行有意义的衡量。
2022-09-03 cs.LG stat.ML
TEASER: Early and Accurate Time Series Classification
Humboldt University of Berlin（柏林洪堡大学）
早期时间序列分类（eTSC）是在尽可能少的测量后以尽可能高的精度对时间序列进行分类的问题。任何eTSC方法最关键的问题是决定何时看到足够的时间序列数据来做出决定：等待更多的数据点通常会使分类问题更容易，但会延迟分类的时间;相反，早期分类必须处理较少的输入数据，通常会导致较低的准确性。最先进的eTSC方法计算固定的最佳决策时间，假设每个时间序列具有相同的定义开始时间（如打开机器）。然而，在许多实际应用中，测量开始于任意时间（如测量患者的心跳），这意味着做出决策的最佳时间在时间序列之间变化很大。我们提出了TEASER，一种新的算法，模型eTSC作为两个两层的分类问题：在第一层，分类器定期评估传入的时间序列计算类概率。然而，这些类别概率仅在第二层分类器确定预测的标签足够可靠时才用作输出标签，这可能发生在不同数量的测量之后。在使用45个基准数据集进行的评估中，TEASER的预测时间比竞争对手早两到三倍，同时达到相同或更高的分类精度。我们进一步展示了TEASER使用真实用例的卓越性能，即能量监测和步态检测。
2019-08-16 cs.LG stat.ML
Early Time-Series Classification Algorithms: An Empirical Comparison
Institute of Informatics and Telecommunications, NCSR ‘Demokritos’（“德谟克利特”国家科学研究中心信息与电信研究所）
早期时间序列分类（ETSC）是通过观察尽可能少的测量来预测输入时间序列的类别的任务。这种方法可以用于在许多时间关键的应用中获得分类预测。然而，可用的技术并不同样适用于每个问题，因为数据特征的差异可能会影响算法在早期性，准确性，F1分数和训练时间方面的性能。我们评估了现有的六个ETSC算法的公开数据，以及两个新引入的数据集来自生命科学和海洋领域。我们的目标是提供一个框架，ETSC算法的评估和比较，并获得直觉，这些方法如何在现实生活中的应用程序。所提出的框架也可以作为新的相关技术的基准。
2022-03-03 cs.AI cs.LG stat.ML
Sensor-Aware Classifiers for Energy-Efficient Time Series Applications on IoT Devices
Washington State University（华盛顿州立大学）
针对物联网时间序列应用中完整传感器数据窗口处理能耗高的问题，提出带多早退分支的传感器感知分类器，用部分数据高置信推理时就让传感器低功耗，6个数据集验证可在不影响准确率的前提下平均节能最高50%-60%。
2024-07-11 cs.LG
Forecasting Anomaly Precursors via Uncertainty-Aware Time-Series Ensembles
Department of Industrial & Management Engineering, Korea University（韩国大学工业与管理工程系）；Department of Industrial Engineering, Seoul National University（首尔国立大学工业工程系）；LG CNS
FATE通过不确定性感知的时间序列集成方法，有效检测异常前兆，无需异常标签，在多个数据集上取得显著提升。
2026-02-19 cs.AI cs.LG
DAD4TS: Data-Augmentation-Oriented Diffusion Model for Time-Series Forecasting with Small-Scale Data
Sony Group Corporation（索尼集团公司）
针对小规模时间序列数据预测中数据增强生成有意义数据困难的问题，提出基于扩散模型和强化学习的DAD4TS方法，通过几何空间投影训练扩散模型，在多个数据集和模型上验证了有效性。
2026-06-02 cs.LG
When to Stop Federated Learning: Zero-Shot Generation of Synthetic Validation Data with Generative AI for Early Stopping
Institute of Information & Communications Technology Planning & Evaluation (IITP)-ITRC (Information Technology Research Center)（信息与通信技术规划与评估机构（IITP）-ITRC（信息技术研究中心））；Institute of Science Tokyo（东京科学研究所）
针对联邦学习固定训练轮次导致的计算浪费问题，提出基于生成式AI的零样本合成验证早停框架，可在近最优轮次自适应停训，多标签胸片分类实验显示其最多减74%轮次且精度损失不超1%。
2025-11-14 cs.LG
Multimodal Deep Learning for Early Prediction of Patient Deterioration in the ICU: Integrating Time-Series EHR Data with Clinical Notes
本文提出一种多模态深度学习方法，结合结构化时间序列数据和非结构化临床笔记，用于预测ICU患者恶化。模型在MIMIC-IV数据库上训练，测试集AUROC达0.7857，临床笔记提升AUROC2.5个百分点。
2026-03-16 cs.LG
Early Classification for Agricultural Monitoring from Satellite Time Series
Technical University of Munich（慕尼黑工业大学）；Institut de Recherche en Informatique et Systèmes Aléatoires (IRISA)（信息与随机系统研究所）；LETG-Rennes（雷恩地球与环境科学实验室）；Université de Bretagne Sud（南布列塔尼大学）
在这项工作中，我们介绍了一个最近开发的早期分类机制，以卫星为基础的农业监测。它通过基于先前看到的信息的额外停止概率来增强现有的分类模型。该机制是端到端可训练的，并且仅从观察到的卫星数据得出其停止决策。我们在欧洲中部的实地包裹，有足够的地面实况数据可用于经验评估的结果与当地的物候信息从当局。我们观察到，配备了这种早期分类机制的递归神经网络能够在营养期结束之前区分许多作物类型。此外，我们将这些停止时间与评估的地面实况信息相关联，并看到分类时间与观察到的植物物候的特征事件相关。
2019-08-27 cs.LG stat.ML
TSPP: A Unified Benchmarking Tool for Time-series Forecasting
NVIDIA（英伟达）
针对时间序列预测中因设置多样导致方法难以比较的问题，提出统一基准测试框架TSPP，促进模型与数据集无缝集成，并证明深度学习模型能以极少努力媲美需大量特征工程的梯度提升决策树。
2024-01-08 cs.LG
Simple Contrastive Representation Learning for Time Series Forecasting
University of Zurich（苏黎世大学）；ETH AI Center（ETH人工智能中心）；ETH Zurich（苏黎世联邦理工学院）
针对对比学习方法在时间序列预测中效果不佳的问题，提出了一种仅使用正样本对、不依赖负样本对的简单表示学习方法SimTS，通过在潜在空间中从过去预测未来来改进预测效果。
2024-11-12 cs.LG
Performance of Zero-Shot Time Series Foundation Models on Cloud Data
Systems Infrastructure Lab, Edinburgh Research Centre, Huawei（系统基础设施实验室，爱丁堡研究中心，华为）
本研究针对时序基础模型可跨域实现云数据零样本预测的说法展开验证，发现多数知名基础模型在云数据场景下表现不如简单线性基线，还存在输出随机预测的异常，证实其在云数据建模中普遍失效。
2025-05-19 cs.LG
Interpretability in Deep Time Series Models Demands Semantic Alignment
University of Padua（帕多瓦大学）
本文提出深度时间序列模型的可解释性应追求语义对齐，即预测应基于对用户有意义的变量，并受时空机制约束，同时需保持时间演化下的语义一致性，为此提供了形式化定义和模型设计蓝图。
2026-08-24 cs.LG
XMTC: Explainable Early Classification of Multivariate Time Series in Reach-to-Grasp Hand Kinematics
University of Münster（明斯特大学）；Saarland University（萨尔大学）
本文提出XMTC工具，通过集成多机器学习方法和多视图可视化，在伸手抓握动作中实现多变量时间序列的可解释早期分类，并验证了其在真实HCI数据上的有效性。
2025-02-06 cs.GR cs.HC cs.LG
Forecasting Early with Meta Learning
University of Hildesheim（希尔德斯海姆大学）
针对时间序列早期观测数据不足的问题，提出元学习模型FEML，结合共享卷积骨干与数据集专属头，利用对抗生成样本增强，实现跨数据集元学习，提升早期预测性能。
2023-07-19 cs.LG
The Wasserstein-Fourier Distance for Stationary Time Series
IRIT, Université de Toulouse, CNRS（图卢兹大学法国国家科学研究中心图卢兹信息学研究所）；Imperial College London（帝国理工学院）；Center for Mathematical Modeling, Universidad de Chile（智利大学数学建模中心）
我们提出了Wasserstein-Fourier（WF）距离来衡量（不）时间序列之间的相似性，通过量化它们的能量跨频率的位移。WF距离通过计算时间序列的（归一化）功率谱密度（NPSD）之间的瓦瑟斯坦距离来操作。然而，这个理由已被认为是在过去，我们填补了一个空白，在公开文献中提供了一个正式的介绍这种距离，连同其主要属性从联合角度的傅立叶分析和最佳运输。由于这项工作的主要目的是验证WF作为一个通用的度量时间序列，我们说明了它的适用性在三个广泛的背景下。首先，我们依靠WF来实现NPSD的PCA式降维，从而实现有意义的可视化和模式识别应用。其次，我们表明，WF诱导的NPSDs的空间上的几何形状承认之间的测地插值时间序列，从而使数据增强的频谱域，平均两个信号的动态内容。第三，我们实现WF的时间序列分类使用参数/非参数分类器，并将其与其他经典的度量。支持的理论结果，以及合成插图和实验对现实世界的数据，这项工作建立WF作为一个有意义的和有能力的资源有关的一般基于距离的应用程序的时间序列。
2020-12-11 cs.LG eess.SP stat.ML
Byte Pair Encoding for Efficient Time Series Forecasting
提出基于频繁模式的字节对编码方法，通过自适应压缩时间序列为令牌，显著提升预测性能与效率。
2026-06-01 cs.LG
Early Classification of Time Series. Cost-based Optimization Criterion and Algorithms
Orange Labs（奥兰治实验室）；AgroParisTech（巴黎高科农业学院）；INRAe（法国国家农业、食品与环境研究院）；Université Paris-Saclay（巴黎萨克雷大学）
越来越多的应用需要尽可能快地识别输入时间序列的类别，而不会过度损害预测的准确性。在本文中，我们提出了一个新的优化准则，同时考虑到错误分类的成本和延迟的决策成本。基于这个优化标准，我们推导出一个家庭的非近视算法，试图预测预期的未来收益的信息与等待的成本平衡。在一类基于无监督的算法中，期望使用时间序列的聚类，而在第二类基于监督的算法中，时间序列根据用于标记它们的分类器的置信水平进行分组。在实际数据集上进行的大量实验表明，所提出的算法能够很好地解决早期性与准确性之间的权衡问题，基于监督的方法优于基于非监督的方法.此外，所有这些方法在各种条件下比基于近视策略的现有技术方法表现更好，该近视策略被认为是非常有竞争力的。
2021-03-24 cs.LG stat.ML
Dueling Deep Reinforcement Learning for Financial Time Series
本研究将双深度Q网络（DDQN）和对决网络架构应用于金融交易任务，在考虑交易成本等约束下训练智能体，结果表明其可优于随机策略，但仍存在数据源复杂性导致的次优策略等挑战。
2025-04-15 cs.LG
Retrieval-Augmented Diffusion Models for Time Series Forecasting
School of Intelligence Science and Technology, Peking University（北京大学智能科学与技术学院）；Institute of Medical Technology, Health Science Center of Peking University（北京大学健康科学中心医学技术研究所）；National Key Laboratory of General Artificial Intelligence, Peking University（北京大学通用人工智能全国重点实验室）
针对时间序列扩散模型数据不足与缺乏引导的问题，提出RATD，通过嵌入检索相关历史序列并以参考引导去噪，提升复杂预测任务性能。
2024-10-24 cs.LG
DE3S: Dual-Enhanced Soft-Sparse-Shape Learning for Medical Early Time-Series Classification
Guangdong University of Technology（广东工业大学）；Shenzhen Maternity and Child Healthcare Hospital（深圳妇幼保健医院）；Hong Kong Baptist University（香港 Baptist大学）
DE3S通过双增强、注意力补丁、稀疏专家混合和多尺度Inception模块，解决医学早期时间序列分类中微弱信号建模及局部与全局特征兼顾的难题，在多个医学数据集上取得领先的早期预测性能。
2025-11-05 cs.AI cs.LG
Confidence-Guided Learning Process for Continuous Classification of Time Series
Peking University（北京大学）
在现实世界中，时间序列的类通常在最后时刻被标记，但许多应用要求在每个时间点对时间序列进行分类。例如，危重病人的预后只有在最后才能确定，但他应随时得到诊断，以便及时治疗。因此，我们提出了一个新的概念：连续时间序列分类（CCTS）。它要求模型在不同的时间阶段学习数据。但是时间序列是动态演变的，导致不同的数据分布。当模型学习多重分布时，它总是忘记或过度拟合。我们认为，有意义的学习调度是潜在的，因为一个有趣的观察：通过置信度来衡量，模型学习多个分布的过程类似于人类学习多个知识的过程。因此，我们提出了一种新的置信度引导的方法CCTS（C3 TS）。它可以模仿邓宁-克鲁格效应所描述的交替的人类信心。我们定义了目标置信度来安排数据，并定义了自信度来控制学习时间。在四个真实数据集上的实验表明，C3 TS比CCTS的所有基线都更准确。
2022-08-14 cs.LG
Generating Reliable Process Event Streams and Time Series Data based on Neural Networks
University of Vienna（维也纳大学）；Technical University of Munich（慕尼黑工业大学）
制造业和医药等领域渴望对其过程进行连续监控和分析，特别是与传感器产生的时间序列相结合。例如，时间序列数据可以用来解释和预测运行时的概念漂移。通常，需要一定的数据量才能产生有意义的分析结果。然而，可靠的数据集往往丢失，例如，如果事件流和时间序列数据是分开收集的，在新的过程中，或者如果获得足够的数据量太昂贵。准备来自多个事件源的时间序列数据、数据汇集频率的变化和概念漂移会带来额外的挑战。本文提出了GENERAL方法来生成可靠的事件和时间序列数据，遵循底层输入数据集的分布。GENERAL采用数据恢复，并使用户能够选择日志数据的不同部分，以编排用于流生成的递归神经网络的训练。生成的数据被采样回其原始采样率，并嵌入到原始日志数据文件中。总的来说，GENERAL可以促进小数据集，从而促进在线流程挖掘的应用。
2021-06-09 cs.LG
Symbol-Temporal Consistency Self-supervised Learning for Robust Time Series Classification
Department of Computer Science, University of Texas Rio Grande Valley（计算机科学系，德克萨斯大学里奥格兰德谷分校）
针对数字健康中时间序列数据分布偏移问题，提出利用符号袋表示的自监督学习框架，以增强模型对噪声和偏移的鲁棒性，实验证明在显著偏移下性能更优。
2025-09-24 cs.LG
Early Detection of Forest Calamities in Homogeneous Stands -- Deep Learning Applied to Bark-Beetle Outbreaks
Intelligent System Research Group University of Applied Science Karlsruhe（应用科技大学智能系统研究组）；ThüringenForst AöR Forstliches Forschungs- und Kompetenzzentrum (FFK)（图林根林业局林业研究与竞争力中心）
本文提出基于LSTM自编码器的深度学习方法，用于早期检测森林健康异常，如松树甲虫爆发，具有更高的检测效率和更低的资源需求。
2025-05-13 cs.LG
Robust Time Series Chain Discovery with Incremental Nearest Neighbors
George Mason University（乔治梅森大学）；Google（谷歌）；University of Texas Rio Grande Valley（德克萨斯大学里奥格兰德谷分校）
时间序列模体发现是识别时间序列中有意义重复模式的基础性工作。最近，时间序列链被引入作为时间序列模体的扩展，以识别时间序列数据中的连续演化模式。非正式地，时间序列链（TSC）是时间序列连续性的时间有序集合，其中每个子序列都与它之前的子序列相似，但最后一个和第一个可以是任意不相似的。TSC能够揭示时间序列中潜在的连续演化趋势，并识别复杂系统中异常事件的前兆。尽管其有前途的可解释性，不幸的是，我们已经观察到，现有的TSC定义缺乏准确覆盖时间序列的演变部分的能力：发现的链可以很容易地被噪声切断，并可以包括非演变模式，使它们在现实世界中的应用不切实际。最近的工作，跟踪时间序列子序列的最近邻如何随时间变化的启发，我们引入了一个新的TSC定义，这是更强大的数据中的噪声，在这个意义上，他们可以更好地定位不断发展的模式，同时排除非发展的。我们进一步提出了两个新的质量指标来排名发现的链。通过广泛的经验评估，我们证明了所提出的TSC定义比现有技术对噪声的鲁棒性要高得多，并且发现的排名靠前的链可以在各种现实世界的数据集中揭示有意义的信息。
2022-11-03 cs.AI cs.IR cs.LG
Snippet Policy Network for Multi-class Varied-length ECG Early Classification
National Yang Ming Chiao Tung University（国立阳明交通大学）；Oklahoma State University（俄克拉荷马州立大学）
从心电图中检测心律失常是心血管疾病预防和诊断的重要研究课题。目前的研究将心电图中的心律失常检测归结为一个时间序列分类问题。同时，心律失常的早期检测提出了早期预防和诊断的现实需求。在本文中，我们解决了心血管疾病的早期分类问题，这是一个变长度和长长度的时间序列的早期分类问题。为了解决这个问题，我们提出了一个基于深度强化学习的框架，即Snippet策略网络（SPN），由四个模块组成，片段生成器，骨干网络，控制代理，和过滤器。与现有方法相比，该框架具有输入长度灵活的特点，解决了提前性和准确性目标的双重优化问题。实验结果表明，该算法的识别准确率达到80%以上.与最先进的方法相比，所提出的SPN在不同的指标上至少有7%的改进，包括精确度，召回率，F1分数和调和平均值。据我们所知，这是第一个工作集中在解决心血管早期分类问题的基础上，不同长度的ECG数据。基于SPN的这些优良特性，它为解决各种变长时间序列的早期分类问题提供了一个很好的范例。
2021-07-28 cs.LG eess.SP
Learning Representations of Event Time Series with Sparse Autoencoders for Anomaly Detection, Similarity Search, and Unsupervised Classification
Stanford University；Center for Astrophysics | Harvard \& Smithsonian
针对事件时间序列不规则、非结构化导致难以提取模式的挑战，提出二维和三维张量表示结合稀疏自编码器学习潜在嵌入，支持异常检测、相似性检索、语义聚类和无监督分类等下游任务，并在X射线天文数据上验证了其有效性与通用性。
2025-10-11 astro-ph.HE astro-ph.IM cs.AI
Autoencoder-based time series clustering with energy applications
EDF R&D（法国电力集团研发部）
由于数据的特定性质，时间序列聚类是一项具有挑战性的任务。经典的方法并没有很好地执行，需要通过一个新的距离测量或数据转换进行调整。在本文中，我们研究了卷积自动编码器和k-medoids算法的组合来执行时间序列聚类。卷积自动编码器允许提取有意义的特征并减少数据的维度，从而改善后续聚类。使用模拟和能源相关的数据来验证该方法，实验结果表明，聚类是鲁棒的离群值，从而导致更精细的聚类比标准方法。
2020-02-10 cs.LG stat.ML
Early Churn Prediction from Large Scale User-Product Interaction Time Series
Dream11
本文将用户流失预测建模为多变量时间序列分类，提出结合用户活动数据与深度神经网络的方法，以减少复杂特征工程并实现大规模早期流失预测。
2023-09-25 cs.AI cs.LG
Leveraging Patient Similarity and Time Series Data in Healthcare Predictive Models
University of Utah（犹他大学）
患者时间序列分类面临着高维性和缺失性的挑战。根据患者相似性理论，本研究探索有效的时间特征工程和减少，缺失值填补，和变化点检测方法，可以提供基于相似性的分类模型与期望的准确性增强。我们选择了一个分段聚集近似方法来提取细粒度的时间特征，并提出了一个最小的方法来填补时间特征中的缺失值。对于降维，我们采用了梯度下降搜索方法的特征权重分配。我们提出了新的患者状态和方向变化的定义，根据医学知识或临床指南的值范围为不同的患者状态水平，并开发了一种方法来检测变化点，指示积极或消极的患者状态变化。我们评估所提出的方法的有效性的背景下，早期重症监护病房死亡率预测。评估结果表明，k-最近邻算法，结合我们选择的方法，并提出显着优于早期ICU死亡率预测的相关基准。本研究通过识别和增强基于相似性的时间序列分类的时间特征工程和约简方法，为时间序列分类和早期ICU死亡率预测做出贡献。
2017-04-30 cs.AI cs.LG
Deep Learning for Detecting and Early Predicting Chronic Obstructive Pulmonary Disease from Spirogram Time Series
Tianjin University of Technology（天津理工大学）；Tsinghua University（清华大学）；The Second Hospital of Tianjin Medical University（天津医科大学第二医院）；Peking University People’s Hospital（北京大学人民医院）；HeartVoice Medical Technology（声脉医疗科技）；University of Oxford（牛津大学）；Peking University（北京大学）
本研究提出了一种基于深度学习的方法DeepSpiro，通过分析肺活量图时间序列，实现了对慢性阻塞性肺疾病（COPD）的检测及其未来风险的早期预测，并在UK Biobank数据集上验证了其有效性。
2024-12-28 cs.AI cs.LG
