The Information Criterion GIC of Trend and Seasonal Adjustment Models
本文提出了一种计算非平稳状态空间模型的GIC和TIC的算法。通过扩展卡尔曼滤波器得到差分滤波器,得到计算GIC所需的对数似然函数的梯度和Hessian。非平稳时间序列模型的三个示例,即,提出了趋势模型、标准季节调整模型和具有平稳AR分量的季节调整模型,并举例说明了结构矩阵的确定。
2022-09-21 stat.ME
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
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
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
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
A Decomposition Modeling Framework for Seasonal Time-Series Forecasting
Hebei Finance University(河北金融学院);ZJU-UIUC Institute(浙江大学-伊利诺伊大学厄巴纳-香槟分校联合学院)
本文提出多尺度季节性分解模型(MSSD),通过分解时间序列为上升、峰值和下降成分,并整合Conv2d与TCN及多尺度重塑,在季节性预测中较基线降低10%误差。
2024-12-12 cs.AI cs.LG
Unravel Anomalies: An End-to-end Seasonal-Trend Decomposition Approach for Time Series Anomaly Detection
Tsinghua University(清华大学);Shanghai Jiao Tong University(上海交通大学)
针对传统时间序列异常检测方法难以处理复杂复合数据与多样异常的问题,提出端到端模型TADNet,结合季节-趋势分解关联异常与分解分量,采用合成数据预训练加微调的训练策略,在真实数据集上实现了当前最优的多类型异常检测性能。
2023-12-14 cs.AI cs.LG
Improved Sales Forecasting using Trend and Seasonality Decomposition with LightGBM
Johns Hopkins University(约翰斯·霍普金斯大学)
本文提出一种基于趋势和季节性分解的新度量指标,用于对时间序列分组,并结合LightGBM改进零售销售预测,在沃尔玛数据上验证了更高的准确性。
2023-09-01 cs.AI cs.LG
Mixed pooling of seasonality for time series forecasting: An application to pallet transport data
Seoul National University(首尔大学);Korea Aerospace University(韩国航空大学);Korea Advanced Institute of Science and Technology(韩国科学技术院)
多个季节模式在时间序列预测中起着关键作用,特别是对于季节性影响往往很大的商业时间序列。以前的方法,包括傅立叶分解,指数平滑,和季节自回归积分移动平均(SARIMA)模型没有反映季节模式中每个时期的独特特征。我们提出了一个混合层次季节性(MHS)模型。首先估计每个季节周期的中间参数,并采用中间参数的混合。这导致一个模型,自动学习每个季节性的相对重要性,并解决它们之间的相互作用。该模型是实现与斯坦,概率语言,并与现有的三个模型在现实世界的数据集的托盘运输从物流网络进行了比较。我们的新模型在样本预测误差(MAPE)和预测密度(ELPD)方面与完全池化,傅立叶分解和SARIMA模型相比取得了相当大的改进。
2020-12-02 cs.LG stat.AP stat.ML
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
SPDNet: Seasonal-Periodic Decomposition Network for Advanced Residential Demand Forecasting
针对住宅电力需求预测中多季节性和周期性的挑战,提出SPDNet,通过季节-趋势分解和基于FFT的周期分解及二维处理,提升预测精度和效率。
2025-03-28 cs.LG
First De-Trend then Attend: Rethinking Attention for Time-Series Forecasting
UC San Diego(加州大学圣地亚哥分校);AWS AI Labs(亚马逊云科技人工智能实验室);AWS(亚马逊云科技)
近年来,基于变换的模型在长期时间序列预测中得到了广泛的应用,并显示出良好的效果。除了在时域中学习注意力之外,最近的工作还探索了在频域中学习注意力(例如,傅立叶域、小波域),因为在这些域中可以更好地捕获季节模式。在这项工作中,我们试图了解在不同的时间和频率域的注意力模型之间的关系。理论上,我们证明了不同领域的注意力模型在线性条件下是等价的(即,注意力分数的线性内核)。在实证方面,我们分析了不同领域的注意力模型如何表现出不同的行为,通过各种合成实验与季节性,趋势和噪音,重点是softmax操作中的作用。这些理论和实证分析促使我们提出了一种新的方法:TDformer(趋势分解Transformer),首先应用季节趋势分解,然后添加组合的MLP预测的趋势分量与傅立叶注意预测的季节分量,以获得最终的预测。在基准时间序列预测数据集上的大量实验表明,TDformer相对于现有的基于注意力的模型实现了最先进的性能。
2022-12-15 cs.LG
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
LSTM-MSNet: Leveraging Forecasts on Sets of Related Time Series with Multiple Seasonal Patterns
Monash University(莫纳什大学)
生成具有多个季节性周期的时间序列的预测是当今许多行业的重要用例。在这些情况下,有必要考虑到多季节模式,以产生更准确和有意义的预测。在本文中,我们提出了长短期记忆多季节网络(LSTM-MSNet),一个基于分解的,统一的预测框架,预测具有多个季节模式的时间序列。该领域的现有技术通常是单变量方法,其中独立地估计每个时间序列的模型参数。因此,这些模型无法包括时间序列集合可能共享的关键模式和结构。相比之下,LSTM-MSNet是一个全局训练的长短期记忆网络(LSTM),其中跨所有可用的时间序列构建单个预测模型,以利用一组相关时间序列中的交叉序列知识。此外,我们的方法结合了一系列最先进的多季节分解技术来补充LSTM学习过程。在我们的实验中,我们能够证明,在来自不同数据源的数据集上,例如流行的M4预测竞赛,分解步骤是有益的,而在来自单个应用程序的同质序列的常见现实情况下,外源季节变量或根本没有季节预处理是更好的选择。所有选项都很容易包含在框架中,使我们能够在这两种情况下实现有竞争力的结果,优于许多最先进的多季节预测方法。
2020-04-27 cs.LG cs.NE stat.AP
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
An Error Correction Mid-term Electricity Load Forecasting Model Based on Seasonal Decomposition
Southwest University(西南大学);Chongqing Institute of Green and Intelligent Technology, Chinese Academy of Sciences(中国科学院重庆绿色智能技术研究院);University of Chinese Academy of Sciences(中国科学院大学)
针对中期电力负荷预测中误差累积问题,提出基于季节性分解和堆叠集成的误差修正模型ECLF,结合LSTM与XGBoost,在中国两城市数据上表现优于基准模型。
2023-06-19 cs.LG eess.SP
DSAT-HD: Dual-Stream Adaptive Transformer with Hybrid Decomposition for Multivariate Time Series Forecasting
Computer Science and Technology(计算机科学与技术);Harbin Engineering University(哈尔滨工程大学);Traditional Chinese Medicine Data Center(传统中医数据中心);China Academy of Chinese Medical Sciences(中国中医科学院)
针对多尺度特征捕捉与固定季节分解的局限,本文提出 DSAT-HD,通过混合分解、自适应多尺度路径和双流残差学习提升预测性能与跨场景泛化能力。
2025-09-29 cs.AI cs.LG
DMamba: Decomposition-enhanced Mamba for Time Series Forecasting
Harbin Engineering University(哈尔滨工程大学);Capital Normal University(首都师范大学)
DMamba通过分解时间序列并利用不同复杂度的模块提升预测性能,实现对趋势和季节性成分的精准建模。
2026-02-09 cs.AI cs.LG
QBSD: Quartile-Based Seasonality Decomposition for Cost-Effective RAN KPI Forecasting
Global AI Accelerator, Ericsson(爱立信全球人工智能加速器)
提出QBSD,一种基于四分位数的季节性分解实时单步预测方法,在数千小区RAN KPI数据上实现高运行效率与竞争性预测精度,优于现有算法。
2024-11-04 cs.LG stat.ML
DBLoss: Decomposition-based Loss Function for Time Series Forecasting
East China Normal University(东华师范大学)
针对现有MSE损失难以准确捕捉预测区间内季节性与趋势的问题,提出基于分解的DBLoss损失函数,通过指数移动平均分解分量并分别加权计算损失,可适配各类预测模型,显著提升了现有最优模型在多数据集上的性能。
2025-10-27 cs.LG
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
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
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
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
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
Frequency Adaptive Normalization For Non-stationary Time Series Forecasting
Central South University(中南大学);University of Amsterdam(阿姆斯特丹大学);Zhejiang Lab(之江实验室)
本文提出频率自适应归一化(FAN),通过傅里叶变换识别实例级主要频率成分并建模输入输出频率差异,以同时处理非平稳时间序列中的动态趋势和季节性模式,在多个模型和数据集上显著提升预测精度。
2024-09-30 cs.AI cs.LG
CATS-Linear: Classification Auxiliary Linear Model for Time Series Forecasting
School of Science, Harbin Institute of Technology, Shenzhen, China(哈尔滨工业大学(深圳)科学学院);Harbin Institute of Technology, Shenzhen, China(哈尔滨工业大学(深圳));University of Lille, France(里尔大学);School of Science, Great Bay University, Dongguan, China(东莞大湾大学科学学院)
针对线性预测模型增强方法不足的问题,提出CATS-Linear,通过分类辅助通道独立性和改进的趋势-季节分解架构,在固定超参数下达到与调参基线相当的SOTA精度。
2025-10-09 cs.AI cs.LG
FlowScope: Enhancing Decision Making by Time Series Forecasting based on Prediction Optimization using HybridFlow Forecast Framework
B V Raju Institute of Technology(B V Raju理工学院);Dept. AI and Data Science(人工智能与数据科学系)
本文提出名为FlowScope的深度混合学习框架,结合ARIMA、SARIMA、ETS和LSTM模型的优势,为时间序列预测提供强大平台,助力企业做出明智决策并优化长期战略。
2024-11-16 cs.CE cs.LG eess.SP
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
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
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
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
Automatic Anomaly Detection in the Cloud Via Statistical Learning
Twitter Inc.(Twitter公司)
在诸如社交网络和web搜索的web服务的上下文中,性能和高可用性已经成为用户保持的越来越重要的驱动因素。外源和/或内源因素通常会导致异常,这使得在保持高可用性的同时提供高性能变得非常具有挑战性。假设面向服务的体系结构(SOA)通常具有大量的服务,每个服务都有一个大的度量集,异常的自动检测是不平凡的。虽然存在大量的异常检测的先前研究,现有的技术是不适用于社会网络数据的上下文中,由于在时间序列数据中的固有的季节性和趋势分量。为此,我们开发了两种新的统计技术,用于自动检测云基础设施数据中的异常。具体而言,这些技术采用统计学习来检测应用程序和系统度量中的异常。季节性分解用于过滤时间序列的趋势和季节性成分,然后使用稳健的统计指标-中位数和中位数绝对偏差(MAD)-以准确检测异常,即使在存在季节性峰值的情况下。我们从三个不同的角度证明了所提出的技术的有效性,即,容量规划、用户行为和监督学习。特别是,我们使用生产数据进行评估,并在每种情况下报告精度,召回率和F-测量。
2017-04-24 cs.LG
Contextual and Seasonal LSTMs for Time Series Anomaly Detection
Zhejiang University(浙江大学);Huawei Technologies(华为技术有限公司);Zhejiang Key Laboratory of Decision Intelligence(浙江省决策智能重点实验室)
本文提出CS-LSTMs框架,通过结合上下文依赖和季节性模式,提升时间序列中细微异常的检测能力,并在基准数据集上验证了其有效性。
2026-02-10 cs.LG
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
Traffic flow forecasting, STL decomposition, Hybrid model, LSTM, ARIMA, XGBoost, Intelligent transportation systems
School of Computer Science and Technology(计算机科学与技术学院);Taiyuan Normal University(太原师范学院);Institute of Computer Science(计算机科学研究所);University of Göttingen(哥廷根大学);James Watt School of Engineering(詹姆斯·瓦特工程学院);University of Glasgow(格拉斯哥大学);Laboratory of Intelligent Home Appliances(智能家电实验室);College of Science and Technology(科学与技术学院);Ningbo University(宁波大学)
针对单一模型难以捕捉交通流复杂多尺度时间模式的问题,本研究提出STL分解驱动的LSTM-ARIMA-XGBoost混合预测框架,经纽约市交通数据验证,其在多指标上优于单一模型,提升了预测精度与鲁棒性。
2025-10-26 cs.AI cs.LG
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
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
Improving the Transferability of Time Series Forecasting with Decomposition Adaptation
Zhejiang University(浙江大学);Nanjing University(南京大学)
针对时间序列预测中数据稀缺限制模型性能的问题,提出SeDAN迁移架构,通过Implicit Contrastive Decomposition将特征分解为季节和趋势成分并分别进行自适应对齐,在五个基准数据集上验证了其高效稳定的跨域知识迁移能力。
2023-06-30 cs.LG
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
LMS-AutoTSF: Learnable Multi-Scale Decomposition and Integrated Autocorrelation for Time Series Forecasting
Linköping University(林雪平大学);Sakarya University(萨卡里亚大学)
针对多尺度时间序列预测,本文提出 LMS-AutoTSF,利用可学习频域双编码器分离趋势与季节成分,并引入滞后差分自相关和通道变换,在保持高精度的同时提升效率。
2025-01-07 cs.AI cs.LG
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
Conditional Denoising Meets Polynomial Modeling: A Flexible Decoupled Framework for Time Series Forecasting
State Key Laboratory of Cognitive Intelligence, University of Science and Technology of China(认知智能国家重点实验室,中国科学技术大学)
针对现有时间序列模型忽略趋势与季节成分差异的问题,提出CDPM框架,结合概率扩散模型与确定性线性模型,解耦建模并分别处理,在六个基准上验证了有效性。
2025-06-08 cs.LG
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
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
WinNet: Make Only One Convolutional Layer Effective for Time Series Forecasting
School of Computer Science, Sichuan University(四川大学计算机学院)
WinNet提出仅用一个卷积层的时间序列预测模型,通过子窗口划分、双重预测、二维混合分解和分解相关模块实现SOTA性能并降低计算复杂度。
2024-06-07 cs.LG
Hybrid SARIMA LSTM Model for Local Weather Forecasting: A Residual Learning Approach for Data Driven Meteorological Prediction
Stevens Institute of Technology(史蒂文斯理工学院)
本文提出混合SARIMA-LSTM模型,通过残差学习分解温度为气候和天气成分,结合统计稳定性和神经可塑性提升长距离天气预测精度。
2026-01-12 cs.AI cs.LG
OnlineSTL: Scaling Time Series Decomposition by 100x
Splunk(Splunk公司);Pinecone(Pinecone公司)
将复杂的时间序列分解为趋势、季节性和剩余分量是一个重要的原语,它有助于时间序列异常检测、变点检测和预测。虽然已知许多批处理算法用于时间序列分解,但是没有一个在高吞吐量和实时响应至关重要的在线可扩展设置中运行良好。在本文中,我们提出了OnlineSTL,一种新的在线算法的时间序列分解,这是高度可扩展的,部署在高分辨率,高摄取率的数据的实时指标监测。在不同的合成和真实世界的时间序列数据集上的实验表明,OnlineSTL在保持分解质量的同时实现了数量级的加速(100倍)。
2022-08-04 cs.DB cs.LG
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
IConv: Focusing on Local Variation with Channel Independent Convolution for Multivariate Time Series Forecasting
针对多元时间序列预测中MLP忽略局部变化的问题,提出IConv,结合CNN与MLP,通过通道独立卷积建模局部模式,实验证明其优越性。
2025-09-25 cs.AI cs.LG
Deep Spatio-temporal Sparse Decomposition for Trend Prediction and Anomaly Detection in Cardiac Electrical Conduction
Arizona State University(亚利桑那州立大学);Texas Tech University(得克萨斯理工大学)
心脏组织之间的电传导通常用偏微分方程建模,即,反应-扩散方程,其中反应项描述细胞刺激,扩散项描述电传播。在这种非线性动态系统中检测和识别产生异常电脉冲的心脏细胞对于有效的治疗和规划是重要的。为了建立非线性动力学模型,仿真已被广泛用于心脏研究和临床研究,以研究心脏疾病的机制和开发新的治疗设计。然而,现有的心脏模型具有很大的复杂性,并且仿真通常是耗时的。我们提出了一种深度时空稀疏分解(DSTSD)方法,以利用深度时空模型绕过耗时的心脏偏微分方程,并检测异常的时间和位置(即,功能障碍的心脏细胞)。这种方法是从Courtemanche-Ramirez-Nattel(CRN)模型生成的数据集进行验证的,CRN模型广泛用于模拟跨神经元膜跨膜电位的传播。建议的DSTSD达到最好的时空平均趋势预测和异常检测的准确性。
2021-09-20 cs.AI cs.LG eess.SP