STR: Seasonal-Trend Decomposition Using Regression
我们提出了一种分解季节性数据的新方法:STR(使用回归的季节趋势分解)。与其他分解方法不同,STR允许多个季节性和周期性分量、协变量、可能具有非整数周期的季节性模式以及具有复杂拓扑的季节性。它可用于具有任何常规时间索引的时间序列,包括小时、日、周、月或季度数据。它与现有的方法竞争时,他们存在,但处理更多的分解问题比其他方法允许。STR基于正则化优化,因此与岭回归有些相关。因为它是基于统计模型,我们可以很容易地计算置信区间的组件,这是不可能与大多数现有的分解方法(如STL,X-12-ARIMA,SEATS-TRAMO等)。我们的模型在R包stR中实现,因此任何人都可以将其应用于自己的数据。
2021-07-01 stat.ME
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
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
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
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
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
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
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
SEA: A Combined Model for Heat Demand Prediction
Beijing University of Posts and Telecommunications(北京邮电大学);University College London(伦敦大学学院);Shandong University(山东大学);Mälardalen University(梅拉达伦大学);Tianjin University of Commerce(天津商业大学)
热需求预测是智能能源网络领域的一个重要研究课题。周期性是热需求的重要特征之一。基于LOESS的季节趋势分解(STL)算法可以分析热需求序列的周期性,将其分解为季节分量和趋势分量。然后,分别预测季节分量和趋势分量,并将它们的预测组合在一起作为热需求预测是预测热需求的一种可能方式。将常用的Elman神经网络(ENN)和自回归积分滑动平均(ARIMA)模型相结合,提出了STL-ENN-ARIMA(SEA)组合模型。ENN和ARIMA分别用于预测季节和趋势分量。实验结果表明,所提出的SEA模型具有良好的性能。
2018-07-28 cs.LG stat.ML
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
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
Unraveling the Dynamics of SPY Trading Volumes: A Comprehensive Analysis of Daily and Intraday Liquidity Trends
本研究针对SPY的日内与日度交易量预测问题,对比了含外生变量的ARIMA类模型与频域方法,发现带技术指标外生变量的ARIMA模型预测最优,可提升交易策略中的交易量预测精度。
2024-06-25 stat.AP
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
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
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
Spatio-temporal evolution of surface temperature trends in Ghana (1983-2021): a multi-station approach
University of Rwanda(卢旺达大学);African Institute for Mathematical Sciences, Research and Innovation Center(非洲数学科学研究所研究与创新中心);IDEMS International(IDEMS国际)
本研究利用22个气象站1983-2021年的日最高和最低温度数据,分析加纳地表温度趋势的时空演变,发现温度变化高度局部化且季节性显著,强调需要更细致的本地化气候监测以制定适应策略。
2026-03-12 stat.AP
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
Seasonal trend assessment of US extreme precipitation via changepoint segmentation
Northern Arizona University(北亚利桑那大学);Quora, Inc.(Quora公司);Carnegie Mellon University(卡内基梅隆大学)
本研究通过断点分割方法分析美国极端降水季节趋势,揭示不同区域和季节的显著变化模式。
2025-12-03 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
Changepoint Detection As Model Selection: A General Framework
University of Nebraska-Lincoln(内布拉斯加大学林肯分校)
本文提出基于L0模型选择的通用变化点检测框架,通过迭代加权融合Lasso(IRFL)方法提升支持恢复和最小化BIC等准则,适用于季节性模式、线性二次趋势及自回归依赖的复杂数据场景。
2026-03-21 stat.AP stat.ME stat.ML
Trend estimation and short-term forecasting of COVID-19 cases and deaths worldwide
自2019冠状病毒病疫情爆发以来,许多仪表板已成为监测疫情演变、告知公众及协助政府决策的有用工具。我们的目标是开发一种全球适用的方法,并将其整合到每日两次更新的仪表板中,该仪表板根据200多个国家和地区的报告数据对病例和死亡人数的演变趋势进行估计,并进行为期七天的预测。管理迅速蔓延的流行病的一个重大困难是,由于病例和死亡的确认工作出现延误,而且报告不定期,预测其演变所需的动态细节变得模糊不清。我们的预测方法在很大程度上依赖于使用稳健的季节性趋势分解技术来估计观测到的时间序列中的潜在趋势。这使我们能够获得简单的预测,但有效的外推方法在线性或对数尺度。我们提出了我们的预测方法的评估结果,并讨论其应用到生产的全球和区域风险地图。
2022-03-24 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
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
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
Seasonal and Trend Forecasting of Tourist Arrivals: An Adaptive Multiscale Ensemble Learning Approach
School of Management, Xi’an Jiaotong University(西安交通大学管理学院);Academy of Mathematics and Systems Science, Chinese Academy of Sciences(中国科学院数学与系统科学研究院)
准确预测游客到访的季节性和趋势是一项非常具有挑战性的任务。鉴于入境旅游人数季节性和趋势性预测的重要性,以往的研究工作很少关注这方面的问题。在这项研究中,一个新的自适应多尺度集成(AME)学习方法,结合变分模式分解(VMD)和最小二乘支持向量回归(LSSVR)的短期,中期和长期的季节性和趋势预测的游客人数。在制定我们开发的AME学习方法,原来的游客入境序列首先分解为趋势,季节性和季节性波动组件。然后,用ARIMA预测趋势分量,用SARIMA预测以12个月为周期的季节分量,用LSSVR预测剩余波动分量。最后,三个组件的预测结果进行聚合,产生一个集成预测的游客入境基于LSSVR的非线性集成方法。此外,一个直接的策略是用来实现多步前进预测。采取两个准确性措施和Diebold-Mariano测试,实证结果表明,我们提出的AME学习方法可以实现更高的水平和方向的预测精度相比,在这项研究中使用的其他基准,表明我们提出的方法是一个很有前途的模型预测具有高的季节性和波动性的游客人数。
2020-03-10 cs.LG econ.EM stat.AP
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
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
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
Using Simulation to Analyze Interrupted Time Series Designs
我们有时被迫使用中断时间序列(ITS)设计作为潜在政策变化的识别策略,例如当我们只有一个单一的治疗单位,没有可比的控制。例如,随着最近全国范围的刑事司法改革努力,司法机构改变了其管辖范围内每个人的保释设置做法,以减少审前拘留率,同时维护法院秩序和公共安全,我们没有自然的比较组比过去。在这些背景下,必须对政策前趋势进行轻度建模,考虑到自回归偏离任何预先存在的趋势等结构,以便准确和现实地评估我们预测的统计不确定性(超出后续因果推断所需的严格假设)。为了解决这个问题,我们提供了一种方法学方法,这种方法植根于通常理解和使用的建模方法,可以更好地捕捉不确定性。我们量化的不确定性与模拟,生成一个分布的似是而非的反事实的轨迹比较观察到的,这种方法自然允许将季节性和其他随时间变化的协变量,并提供置信区间随着点估计的政策变化的潜在影响。我们发现模拟提供了一个自然的框架来捕捉和显示ITS设计中的不确定性。它还允许简单的扩展,如非参数平滑,以处理多个政策后时间点或更多的结构模型,以考虑季节性。
2020-02-13 stat.AP stat.ME
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
Seasonal-adjustment Based Feature Selection Method for Large-scale Search Engine Logs
University of Tsukuba(筑波大学);Riken AIP(理化学研究所革新智能综合研究中心)
搜索引擎日志在跟踪和预测传染病爆发方面具有很大的潜力。更准确地说,人们可以使用一些搜索词的搜索量来近乎实时地预测传染病的感染率。然而,由于搜索日志的以下双向不稳定特性,使用搜索引擎日志进行准确和稳定的疫情预测是一项具有挑战性的任务。首先,搜索词的搜索量可能在短期内不规则地变化,例如,由于诸如媒体或新闻的量的环境因素。其次,搜索量也可能由于搜索引擎的人口统计变化而长期变化。也就是说,如果使用这种搜索日志来训练模型,而忽略这种特征,那么当这些变化发生时,所得到的预测将包含严重的错误预测。在这项工作中,我们提出了一种新的特征选择方法,以克服这种不稳定的问题。特别是,我们采用了一种季节调整方法,将每个时间序列分解为三个组成部分:季节性,趋势和不规则成分,并分别为每个组成部分建立预测模型。我们还精心设计了一个特征选择方法来选择合适的搜索词来预测每个组件。我们对十种不同的传染病进行了综合实验。实验结果表明,所提出的方法优于所有比较方法的预测精度为10种疾病中的7种,在即时预报和预测设置。此外,所提出的方法是更成功地选择语义相关的目标疾病的搜索条件。
2020-08-22 cs.LG 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
Do Stationarity Transformations Actually Improve Time Series Forecasts? A Controlled Experimental Evaluation
School of Computer Science, Georgia Institute of Technology(佐治亚理工学院计算机学院)
本文通过构造具有已知性质(趋势、季节性、异方差性及组合)的合成数据集,并在七种模型和三种预测时间跨度(共3528次实验)上应用14种变换配置,评估了平稳性变换对不同非平稳性类型和模型家族的预测准确性影响,发现只有18%的变换能提升预测,而方差稳定化方法在异方差数据上表现更佳,且差分线性趋势序列反而会降低预测精度,实验证实应基于经验性外样本评估选择变换而非理论平稳性假设。
2026-07-08 math.ST stat.ME stat.TH
Modelling and short-term forecasting of seasonal mortality
本文比较三种 Serfling-Poisson 季节性死亡率模型,发现趋势非参数、季节性参数的 SP-STFS 结合 P-splines 在25个欧洲国家的月度数据中预测最准确,并可用于 COVID-19 超额死亡评估。
2025-02-15 stat.AP
Fitting State-space Model for Long-term Prediction of the Log-likelihood of Nonstationary Time Series Models
使用长期预测误差的平方来评价状态空间模型中长期预测的优度。为了估计适合于长期预测的模型参数,我们设计了一个修正的对数似然对应的长期预测误差方差。作为例子,趋势模型和季节调整模型与AR组件和不检查。
2022-10-12 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
Temporal Topic Modeling to Assess Associations between News Trends and Infectious Disease Outbreaks
Virginia Tech(弗吉尼亚理工大学);Boston Children’s Hospital(波士顿儿童医院);Harvard Medical School(哈佛医学院);University of Washington(华盛顿大学);Epidemico, Inc.(Epidemico公司);McGill University(麦吉尔大学)
在回顾性评估中,互联网新闻报道已被证明可以在官方实验室确认之前捕获未知传染病传播的早期报告。一般来说,媒体的兴趣和报道在疫情爆发期间会达到高峰和减弱。在这项研究中,我们量化了在传染病爆发期间媒体的兴趣在多大程度上表明了报告发病率的趋势。我们介绍了一种方法,使用监督的时间主题模型转换成时间主题趋势的大型语料库的新闻文章。这种方法的主要优点包括,适用于广泛的疾病,并能够捕捉疾病动态-包括季节性,突然的高峰和低谷。我们使用来自美利坚合众国(U.S.)报告的多种传染病暴发的数据评估了该方法,中印两国我们注意到,从疾病相关新闻报道中提取的时间主题趋势成功地捕捉到了多起疫情的动态,如美国的百日咳(2012年),印度的登革热疫情(2013年)和中国(2014年)。我们的观察结果还表明,使用时间序列回归技术对时间主题趋势进行有效建模,可以在卫生组织正式报告之前以更高的精度估计疾病病例数。
2016-06-01 cs.CL cs.IR cs.SI
ADSaS: Comprehensive Real-time Anomaly Detection System
Korea University(高丽大学)
随着海量数据的增长,对自主和通用异常检测系统的需求也在增加。然而,开发一个独立的通用异常检测系统,是准确和快速的仍然是一个挑战。在本文中,我们提出了传统的时间序列分析方法,季节性自回归综合移动平均(SARIMA)模型和季节性趋势分解黄土(STL),检测复杂和各种异常。通常,SARIMA和STL仅用于平稳和周期性的时间序列,但通过结合,我们表明它们可以高精度地检测数据的异常,即使是噪声和非周期性的。我们将该算法与长短期记忆(LSTM)进行了比较,后者是一种用于异常检测系统的基于深度学习的算法。我们使用了七个真实世界的数据集和四个人工数据集具有不同的时间序列属性,以验证所提出的算法的性能。
2018-11-30 cs.LG stat.ML
Forecasting Seasonal Peaks of Pediatric Respiratory Infections Using an Alert-Based Model Combining SIR Dynamics and Historical Trends in Santiago, Chile
Center for Mathematical Modeling, Universidad de Chile(智利大学数学建模中心);CNRS (IRL 2807)(法国国家科学研究中心(IRL 2807));Institute of Biomedical Sciences, Universidad de Chile(智利大学生物医学研究所);Dr. Luis Calvo Mackenna Hospital(路易斯·卡尔沃·麦肯纳博士医院);Department of Mathematical Engineering, Universidad de Chile(智利大学数学工程系)
本研究提出结合SIR动态和历史趋势的警报模型,用于预测智利圣地亚哥儿童呼吸道感染住院高峰的时间和规模,提升医院应急准备能力。
2026-01-14 math.OC stat.AP
State-space modeling of intra-seasonal persistence in daily climate indices: a data-driven approach for seasonal forecasting
诊断气候指数可预测性的现有方法往往对气候系统作出一些不合理的假设,可能导致误导性的结论。我们提出了一个灵活的家庭的状态空间模型,能够分离的影响,外部强迫年际时间尺度,从长期趋势和十年变化,短期天气噪声,观测误差和自相关的变化。标准的潜在可预测性模型仅估计指数总方差中归因于外部强迫的部分。此外,我们的方法允许我们将各个季节性平均值划分为强制,缓慢,快速和错误组件。也可以估计季节内可预测信号的变化。该模型还可以用于预测模式,以评估季节内和季节间的可预测性。我们将所提出的方法应用于1948 - 2017年的北大西洋涛动指数。12月至1月至2月平均北大西洋涛动的年际变化中,约60%可归因于外部强迫,8%可归因于较长时间尺度上的趋势。在某些年份,外部强迫在整个冬季保持相对恒定,在其他年份,它在冬季发生变化。从11月底开始,对12月至1月至2月的平均北大西洋涛动进行熟练的统计预报是可能的,可预测性延伸到3月。12月-1月-2月平均值的统计预测与观测值的相关性为0.48。
2018-07-07 stat.AP
Seasonal Linear Predictivity in National Football Championships
预测体育比赛和竞赛的结果是一个新兴的研究领域,受益于不断增长的可用数据量和新的数据分析技术。优秀的预测可以通过应用于详细历史数据的高级机器学习方法来实现,特别是在足球等非常受欢迎的运动中。在这里,我们表明,尽管有大量的混杂因素,一个足球队在较长的比赛(例如,国家联盟)也遵循用于预测目的的基本线性趋势。为了支持这一主张,我们提出了一组实验的线性回归的数据库收集的707支球队在20个足球赛季,在22个司从11个国家的年度结果。
2015-11-19 stat.AP
A statistical analysis of time trends in atmospheric ethane
乙烷是地球大气中最丰富的非甲烷碳氢化合物,也是对流层臭氧通过各种化学途径的重要前体。乙烷也是一种间接温室气体(全球变暖潜能值),通过消耗羟基自由基(OH)影响甲烷的大气寿命。因此,了解大气中乙烷的发展趋势和确定趋势逆转至关重要。我们的数据集包括四个系列的每日乙烷柱从地面FTIR测量。与其他年代际时间序列一样,我们的数据具有自相关性、异方差性和季节性的特征。此外,由于仪器故障或不利的测量条件而导致的观测值缺失在此类系列中也很常见。因此,本文的目标是分析大气乙烷的趋势与统计工具,正确地解决这些数据功能。我们提出了选定的方法,旨在分析时间趋势和趋势反转。我们考虑自举推理的线性趋势和平滑变化的非线性趋势。特别地,对于趋势突变模型,我们提出了一种自举方法来推断突变点的位置和相应的斜率变化。对于平滑趋势模型,我们在非参数估计的趋势周围构造同步置信带。我们的自回归野生自举方法,结合季节性过滤器,能够处理上述所有问题。
2020-06-17 econ.EM stat.AP
Modeling for seasonal marked point processes: An analysis of evolving hurricane occurrences
季节性点过程是指只在某一特定季节内观测到的随机事件的随机模型。本文发展了非参数贝叶斯方法来研究季节性标志点过程强度的动态演变。我们假设点过程是一个非齐次泊松过程,并提出了一个非参数混合的β密度模型动态演变的时间泊松过程强度。依赖结构是通过依赖Dirichlet过程建立的季节性变化的混合分布。我们扩展了非参数模型,将随时间变化的标志,从而灵活的季节性点过程强度和条件标记分布的推断。激励应用程序涉及1900年至2010年美国海湾和大西洋沿岸飓风登陆和报告损失的分析。我们着重研究了飓风登陆发生过程的强度演变,以及相应的最大风速和相关的损害。我们的研究结果表明,飓风登陆次数增加,季节高峰期最大风速中值下降。引入标准化损失作为标记,使得报告的损失在时间和空间上都是可比的,我们发现飓风损失没有随时间的推移而显著上升的趋势。
2015-06-01 stat.AP
Detecting Performance Degradation of Software-Intensive Systems in the Presence of Trends and Long-Range Dependence
随着当代软件密集型系统达到越来越大的规模,这是必要的,故障检测方案的开发,以帮助防止昂贵的系统停机时间。一个有前途的方向建设这样的计划是利用容易获得的测量系统的性能特征,如处理的请求和队列大小的平均数量每单位时间。在这项工作中,我们研究了一个整体的方法来检测的突然变化的时间序列数据中存在的准季节性的趋势和长期的依赖性,重点是故障检测计算机系统。我们提出了一种趋势估计方法,在存在远程相关噪声的情况下,估计被认为是“正常”的系统行为。为了检测变点和异常,我们开发了一种基于“弱”检测器的集成方法。我们使用人工数据集,公开可用的Abilene数据集以及专有的地理信息系统数据集演示了所提出的变点检测方案的性能。
2016-09-24 stat.AP stat.CO stat.ME
A seasonal to decadal calibration of 1990-2100 eastern Canadian freshwater discharge simulations by observations, data models, and neural networks
本研究利用数据模型指导WRF-Hydro初始设置并结合神经网络后处理,对1990–2100年加拿大东部淡水径流模拟进行季节至年代际校准,提升了月尺度和年尺度径流估计精度。
2025-06-05 stat.AP
Distributional regression for seasonal data: an application to river flows
University of Toronto(多伦多大学)
本文提出受 GAMLSS 启发的分布回归框架,以时间函数估计环境变量的完整日分布,兼顾季节与长期变化,并用于 Fraser River 流量及 2021 年初冬洪水分析。
2025-10-21 q-fin.RM stat.AP stat.ME