An Empirical Study of Explainable AI Techniques on Deep Learning Models For Time Series Tasks
University of Konstanz（康斯坦茨大学）；Offenburg University of Applied Sciences（奥芬堡应用科学大学）
机器学习黑盒模型的决策解释通常通过应用可解释AI（XAI）技术来生成。然而，许多提出的XAI方法产生未经验证的输出。评估和验证通常通过人类对单个图像或文本的视觉解释来实现。在这个预注册，我们提出了一个实证研究和基准框架，应用归因方法的神经网络开发的图像和文本数据的时间序列。我们提出了一种方法来自动评估和排名归因技术的时间序列使用扰动方法来确定可靠的方法。
2020-12-08 cs.AI 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
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
Evaluating time series forecasting models: An empirical study on performance estimation methods
LIAAD-INESC TEC；University of Porto（波尔图大学）；Dalhousie University（达尔豪斯大学）；Jožef Stefan Institute（约热夫·斯特凡研究所）
性能估计的目的是估计预测模型在看不见的数据上会产生的损失。这些程序是每个机器学习项目中管道的一部分，用于评估预测模型的整体泛化能力。在本文中，我们解决了这些方法的时间序列预测任务的应用。对于独立同分布的数据，最常用的方法是交叉验证。然而，时间序列中的观测之间的依赖性提出了一些关于估计这类数据性能的最适当方法的警告，目前还没有确定的方法。我们使用两个案例研究比较了交叉验证和样本外方法的不同变体：一个是62个真实世界的时间序列，另一个是三个合成时间序列。结果表明，在两种情况下的性能估计方法的显着差异。特别是，实证实验表明，交叉验证方法可以应用于平稳的时间序列。然而，在现实世界的情况下，当不同来源的非平稳变化在发挥作用时，最准确的估计是由样本外的方法，保持观察的时间顺序。
2019-05-28 cs.LG stat.ML
Model Selection for Time Series Forecasting: Empirical Analysis of Different Estimators
Dalhousie University（达尔豪斯大学）；Fraunhofer AICOS（弗劳恩霍夫应用信息技术与通信系统研究所）；INESC TEC（葡萄牙工程技术与科学研究中心）；University of Porto（波尔图大学）
评估预测模型是预测分析中的一项重要任务。对于观测值显示时间依赖性的时间序列数据，该过程尤其具有挑战性。几项研究分析了不同的性能估计方法如何相互比较，以近似给定预测模型所产生的真实损失。然而，这些研究并没有解决估计量如何进行模型选择：从一组替代方案中选择最佳解决方案的能力。我们解决这个问题，并比较了一组估计方法的模型选择在时间序列预测任务。我们试图回答两个主要问题：（i）估计器选择最佳可能模型的频率;以及（ii）当它不选择时，性能损失是什么。我们的经验发现，选择最佳解决方案的估计的准确性是低的，整体预测性能损失与模型选择过程的范围从1.2%到2.3%。我们还发现，一些因素，如样本量，是重要的估计的相对性能。
2022-02-11 cs.LG stat.ML
Multivariate Time-series Similarity Assessment via Unsupervised Representation Learning and Stratified Locality Sensitive Hashing: Application to Early Acute Hypotensive Episode Detection
Rochester Institute of Technology（罗切斯特理工学院）；Massachusetts Institute of Technology（麻省理工学院）；Philips Research North America（飞利浦北美研究院）
及时预测重症监护室（ICU）中的临床危重事件对提高护理水平和生存率具有重要意义。大多数现有的方法都是基于对从生命信号中明确提取的统计特征的各种分类方法的应用。在这项工作中，我们建议消除高成本的工程手工制作的功能，从多变量时间序列的生理信号，通过学习他们的表示与序列到序列的自动编码器。然后，我们建议对学习到的表示进行散列，以使信号相似性评估能够预测关键事件。我们应用这种方法框架来预测急性低血压性脑卒中（AHE）的生命信号记录的大型和多样化的数据集。实验证明了所提出的框架在准确预测即将到来的AHE的能力。
2018-12-04 cs.AI cs.CV stat.ML
Improving forecasting accuracy of time series data using a new ARIMA-ANN hybrid method and empirical mode decomposition
Middle East Technical University（中东技术大学）；Massachusetts Institute of Technology（麻省理工学院）
在不同领域的许多应用中，都会产生大量的时间序列数据。做出准确的预测对于许多决策者来说至关重要。存在各种时间序列预测方法，其分别使用线性和非线性模型或两者的组合。研究表明，线性和非线性模型的结合可以有效地提高预测性能。然而，这些现有方法所做的一些假设可能会限制它们在某些情况下的性能。本文提出了一种新的自回归滑动平均（ARIMA）-人工神经网络（ANN）混合方法。实验结果表明，在整个杂交过程中，用于分解原始数据以及用于组合线性和非线性模型的策略是该方法预测性能的关键因素。通过使用适当的策略，我们的混合方法可以是一种有效的方法，以提高预测精度由传统的混合方法，也单独使用的个人方法。
2018-12-30 cs.LG stat.ML
Early Classification of Time Series: A Survey and Benchmark
Orange Research（Orange研究）
本文针对时间序列早期分类（ECTS）领域缺乏统一评估基准的问题，梳理了解耦决策与预测组件的ECTS方法分类，开展9种SOTA算法的大规模对比实验，并开源集成相关算法的工具库。
2025-11-17 cs.LG
The Effectiveness of Discretization in Forecasting: An Empirical Study on Neural Time Series Models
AWS AI Labs（AWS人工智能实验室）；NAVER LABS Europe（NAVER欧洲实验室）
近年来，基于深度学习的时间序列建模技术取得了许多进展，特别是在数据丰富的环境中，其中心目标是学习可以跨多个时间序列提取模式的全局模型。虽然在以前的工作中经常注意到适当的数据预处理和缩放的至关重要性，但大多数研究都集中在改进模型架构上。在本文中，我们实证研究了数据输入和输出转换对几种神经预测架构的预测性能的影响。特别是，我们研究了几种形式的数据分箱的有效性，即将实值时间序列转换为分类序列，与前馈，递归神经网络和基于卷积的序列模型相结合。在这些模型非常成功的许多非预测应用中，模型输入和输出是分类的（例如，来自自然语言处理应用中的固定词汇表的单词或计算机视觉中的量化像素颜色强度）。对于预测应用程序，时间序列通常是实值的，已经提出了各种ad-hoc数据转换，但尚未进行系统的比较。为了解决这个问题，我们评估了上述模型类的实例在与不同类型的数据缩放和分箱相结合时的预测准确性。我们发现，装箱几乎总是提高性能（相比使用归一化的实值输入），但所选择的特定类型的装箱是不太重要的。
2020-05-20 cs.LG stat.ML
Lag Selection for Univariate Time Series Forecasting using Deep Learning: An Empirical Study
Faculdade de Ciências da Universidade do Porto（波尔图大学理学院）；Faculdade de Engenharia da Universidade do Porto（波尔图大学工程学院）；Laboratory for Artificial Intelligence and Computer Science (LIACC)（人工智能与计算机科学实验室（LIACC））；Fraunhofer Portugal AICOS（弗劳恩霍夫葡萄牙AICOS机构）
本文在含2411条序列的三个基准数据库上实证比较全局深度学习预测中的滞后选择方法，发现滞后大小显著影响精度，交叉验证最佳但简单启发式规则表现相近。
2024-05-18 cs.LG stat.ML
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
An Empirical Evaluation of Similarity Measures for Time Series Classification
Artificial Intelligence Research Institute (IIIA-CSIC)（人工智能研究所（IIIA-CSIC））；Spanish National Research Council（西班牙国家研究委员会）
时间序列是普遍存在的，并且评估它们的相似性的度量是许多计算系统的核心部分。特别是，相似性度量是时间序列聚类和分类系统中最重要的组成部分。由于这种重要性，无数的方法来估计时间序列的相似性已被提出。然而，缺乏使用实证、严格、定量和大规模评估策略的比较研究。在这篇文章中，我们提供了一个广泛的评估相似性措施的时间序列分类遵循上述原则。我们认为7种不同的措施来自替代措施的“家庭”，和45个公开的时间序列数据集来自各种各样的科学领域。我们专注于样本外的分类精度，但样本内的精度和参数的选择也进行了讨论。我们的工作基于严格的评估方法，包括使用强大的统计显著性检验来得出有意义的结论。所得到的结果表明，在准确性方面，一些措施的等效性，但与一个单一的候选人优于其余的。这些调查结果，加上所采用的方法，请实地研究人员采用更一致的评价标准，并就新发展应与之比较的基线措施作出更知情的决定。
2014-01-16 cs.CV cs.LG stat.ML
Adjusted Empirical Likelihood for Long-memory Time Series Models
Monti（1997）通过Whittle估计方法将经验似然方法应用于短记忆时间序列模型。Yau（2012）将这一思想扩展到长记忆时间序列模型。推导了短记忆和长记忆时间序列的经验似然比统计量的渐近分布，并构造了相应模型参数的置信区域。然而，计算轮廓经验似然函数涉及约束最大化并不总是有一个解决方案，导致几个缺点。针对自回归分数积分移动平均（ARFIMA）模型，本文提出了一种修正的经验似然方法。它保证了所需最大化问题的解的存在性，并保持了Yau（2012）获得的相同渐近性质。仿真结果表明，对于不同的长时间序列模型，调整后的经验似然方法比未调整的经验似然方法提供了更好的置信区域和覆盖概率，特别是对于小样本量。
2016-04-21 stat.ME
Adjusted Empirical Likelihood for Time Series Models
Monti（1997）通过Whittle估计方法将经验似然方法应用于相依观测。对于平稳的时间序列，导出了经验似然比统计量的相似渐近分布，以构造参数的置信区域。然而，计算剖面经验似然函数所需的数值问题涉及约束最大化，有时无解，这导致使用原始版本的经验似然比的缺点。在本文中，我们提出了一个调整后的经验似然比统计量修改蒙蒂提出的，使它保证所需的最大化问题的解决方案的存在性，同时保持类似的渐近性质蒙蒂得到。仿真结果表明，在不同的时间序列模型下，该模型的覆盖率优于Monti模型，特别是在小样本量下。
2016-02-29 stat.ME
Highly comparative time-series analysis: The empirical structure of time series and their methods
University of Oxford（牛津大学）
收集和组织观测集的过程代表了贯穿科学史的一个共同主题。然而，尽管科学家测量，记录和分析不同过程的动态无处不在，但从未进行过科学时间序列数据和分析方法的广泛组织。针对这一点，注释的集合超过35 000个真实世界和模型生成的时间序列和超过9000个时间序列分析算法进行了分析。我们介绍了减少表示的时间序列，在他们的属性测量不同的科学方法，和时间序列分析方法，在他们的行为方面的经验时间序列，并用它们来组织这些跨学科的资源。这种比较不同科学数据和方法的新方法使我们能够根据其属性自动组织时间序列数据集，检索其他科学学科中开发的特定分析方法的替代方案，并自动选择用于时间序列分类和回归任务的有用方法。这些工具的广泛的科学效用被证明在脑电图，自仿射时间序列，心跳间隔，语音信号和其他数据集，在每种情况下贡献新的分析技术，现有的文献。因此，跨学科文献的高度比较技术可以用于指导跨学科应用的时间序列分析中更有重点的研究。
2013-04-03 cs.CV physics.bio-ph physics.data-an
Bayesian identification of early warning signals for long-range dependent climatic time series
UiT The Arctic University of Norway（挪威北极大学）
本文提出了一种贝叶斯方法，用于检测长期依赖气候时间序列中的早期预警信号，通过分析自相关和方差的变化，评估其在真实数据中的有效性。
2026-02-10 stat.ME
Modelling Segmented Cardiotocography Time-Series Signals Using One-Dimensional Convolutional Neural Networks for the Early Detection of Abnormal Birth Outcomes
Liverpool John Moores University（利物浦约翰摩尔斯大学）；University of Maryland Medical Center（马里兰大学医学中心）
妇产科医生使用国际妇产科联合会（FIGO）指南直观地解释心脏分娩描记术（CTG）痕迹，以评估产前护理期间胎儿的健康状况。这种方法引起了专业人员对内部和内部变异性的关注，其中临床诊断在对病理结果进行分类时仅具有30%的阳性预测值。用FIGO和从CTG迹线提取的其他用户衍生特征训练的机器学习模型已被证明可以提高阳性预测能力并最小化变异性。然而，这只有在类分布相等时才有可能，而在病例对照观察结果严重偏向于正常结果的临床试验中很少出现这种情况。可以使用从重新采样的案例训练数据导出的合成数据或通过减少控制实例的数量来平衡类。然而，这要么引入了偏见，要么删除了有价值的信息。人们还对机器学习研究及其对手工制作功能的依赖表示担忧。虽然这导致了一些有趣的结果，但导出最佳特征集被认为是一门艺术，也是一门科学，通常是一个经验和耗时的过程。在本文中，我们解决了这两个问题，并提出了一种新的CTG分析方法，a）将CTG时间序列信号分成n个大小的窗口，具有相等的类分布，和b）自动提取功能的时间序列窗口使用一维卷积神经网络（1DCNN）和多层感知器（MLP）集成。总的来说，所提出的方法通常分布类，并消除了对CTG跟踪手工制作功能的需要。
2020-08-22 cs.LG stat.ML
ViFusionTST: Deep Fusion of Time-Series Image Representations from Load Signals for Early Bed-Exit Prediction
The University of British Columbia, Canada（不列颠哥伦比亚大学）
针对床旁跌倒预警滞后问题，本文提出ViFusionTST双流Swin Transformer，将单称重传感器信号编码为多类图像并交叉注意力融合，在95张床、六个月真实数据上取得0.885准确率与0.794 F1。
2025-10-21 cs.AI cs.CV
An empirical evaluation of alternative methods of estimation for Permutation Entropy in time series with tied values
Bandt和Pompe在2002年为时间序列引入了置换熵，其中忽略了相等的值，xt1 = xt2，t1 = t2，只考虑xt之间的不等式。从那时起，该测量已经被修改和扩展，特别是在序列中的相等值的量不能被忽略的情况下（即心率变异性（HRV）时间序列）。我们回顾了不同的现有方法，对待这个问题，根据他们不同的策略进行分类。此外，提出了一种新的贝叶斯缺失数据填补方法，证明了优于现有的方法，处理类型的时间序列。所有这些事实都通过模拟以及通过使用HRV时间序列区分患有充血性心力衰竭的患者与（健康）对照组来说明
2017-05-31 stat.ME
On the Coverage Bound Problem of Empirical Likelihood Methods For Time Series
通过研究违反凸包约束的概率，研究了基于时间序列数据的分块经验似然[Kitamura（1997）]和非标准扩展经验似然[Nordman等人。（2013）]方法的置信区域覆盖概率的上界。大样本界的基础上得到的块的经验对数似然比的固定b渐近，最近已被证明提供了一个更准确的近似有限样本分布比传统的卡方近似下得到的枢轴极限。我们的理论和数值研究结果表明，有限样本和大样本的覆盖概率的上限严格小于1和blockwise经验似然置信区域可以表现出严重的覆盖不足时，（i）的尺寸矩条件是中等或大;（ii）的时间序列的依赖是积极的强;或（iii）块大小是大的相对于样本量。一个类似的有限样本覆盖问题发生在非标准扩张经验似然。为了减轻覆盖范围的限制问题，我们建议通过放松凸包约束来惩罚两种经验似然方法。数值模拟和数据说明证明了我们提出的补救措施的有效性，提供更准确的覆盖率的信心集。
2014-07-31 stat.ME
Recurrent Neural Networks for Time Series Forecasting
University of Debrecen（德布勒森大学）
时间序列预测是困难的。即使对于具有固有学习序列性能力的循环神经网络来说，这也是困难的。本文提出了一个基于递归神经网络的时间序列预测框架，涵盖特征工程，特征重要性，点和区间预测，预测评估。该方法的描述之后是使用LSTM和GRU网络的实证研究。
2019-01-01 cs.LG stat.ML
Empirical spectral processes for locally stationary time series
对局部平稳时间序列定义了一个以函数类为指标的时变经验谱过程。我们推导出了函数空间中的弱收敛性，并证明了一个极大指数不等式和一个Glivenko-Cantelli型收敛结果。结果使用基于索引类的度量熵的条件。与相关的早期工作相比，没有高斯假设。作为应用，讨论了模型误设定下的拟似然估计、拟合优度检验和推断。在一个推广的应用中，得到了局部平稳时间序列模型参数曲线的局部Whittle估计的一致收敛速度.
2009-02-09 math.ST stat.TH
Indirect Inference for Time Series Using the Empirical Characteristic Function and Control Variates
当真实的特征函数不能显式计算时，通过最小化经验和模拟特征函数之间的综合加权均方误差来估计平稳时间序列过程的参数.受间接推理的启发，我们使用基于iid模拟块的特征函数的Monte Carlo近似。作为一个经典的方差减少技术，我们建议使用的控制变量，以减少这种蒙特卡罗近似的方差。这两个近似产生两个新的估计，适用于一个大类的时间序列过程。我们证明了强混合，矩条件下的参数估计的一致性和渐近正态性，以及模拟块相对于其参数的光滑性。在模拟研究中，我们显示了这些新的模拟为基础的估计的良好性能，和控制变量为基础的估计泊松驱动的时间序列的计数的优越性。
2021-02-02 math.ST stat.TH
Why Model Selection Fails in Time Series Forecasting: An Empirical Study of Instability Across Data Regimes
University of California Riverside, Bourns College of Engineering（加州大学河滨分校伯恩斯工程学院）
本文通过分析数据制度描述符与模型性能的关系，揭示了基于规则的模型选择在时间序列预测中的不稳定性，指出模型性能对数据特征和预测时间跨度高度敏感，需更适应性的数据驱动策略。
2026-05-02 eess.SP stat.ME 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
Residual empirical processes for long and short memory time series
研究了长记忆和短记忆时间序列回归模型的残差经验过程，并在一般框架下建立了残差经验过程的一致展开式。将所得结果应用于随机回归模型和不稳定自回归模型。对于长记忆噪声，本文证明了Ho和Hsing [Ann. Statistist. 24（1996）992-1024]在随机回归模型包括未知截距或不稳定自回归模型的特征多项式具有单位根时不成立。为此，提出了两个新的统计量来检验随机回归模型和不稳定自回归模型的长记忆噪声的分布。(With更正。）
2012-11-15 math.ST stat.TH
Higher-order approximation for uncertainty quantification in time series analysis
针对高时间相关性时间序列中经验过程收敛缓慢的问题，本文推导高阶误差项渐近分布并提出新置信区间计算方法，模拟显示其覆盖率与长度优于传统渐近方法。
2025-05-22 math.ST stat.TH
A dynamic hybrid model based on wavelets and fuzzy regression for time series estimation
本文将模糊逻辑与小波分解相结合，提出了一种用于金融时间序列估计的逐步动态混合模型。利用模糊回归、小波分解以及新的混合模型对著名的$SP500$指数金融时间序列进行了实证检验。实证检验表明了混合模型的有效性。
2011-02-17 math.ST q-fin.ST stat.TH
Estimating variances in time series linear regression models using empirical BLUPs and convex optimization
本文提出了一种时间序列模型中方差分量的两阶段估计方法FDSLRM，其观测值可以用线性混合模型（LMM）描述。我们估计方差的基础上，基本数量的时间序列预测方法称为克里格，经验（插件）最佳线性无偏预测FDSLRM中不可观测的随机成分。该方法可用于时间序列数据的任何绝对连续概率分布，并提供了不变的非负二次估计。作为应用凸优化和LMM方法的结果，我们解决了两个问题$-$理论上的存在性和最小二乘估计，非负（M）DOOLSE，和极大似然估计，（RE）MLE之间的等价性，作为我们的方法和FDSLRM的实际缺乏计算实现的可能的出发点。至于在$ n $观测时间序列值的情况下计算（RE）MLE，我们还发现了一种新的$\mathcal{O}(n)$阶算法，其在默认精度下比当前最好的基于Python（或R）的计算包（即CVXPY，CVXR，nlme，sommer和mixed）精确$10^7$倍，快$n^2$倍。我们说明了我们的结果上的三个真实的数据集$-$电力消耗，旅游和网络安全$-$，这是很容易获得的，可复制的，可共享的和可修改的形式，交互式笔记本电脑。
2019-05-19 stat.AP stat.CO stat.ME
A nonstandard empirical likelihood for time series
对于平稳的、弱相关的时间序列，标准的分块经验似然（BEL）需要指定固定的分组长度作为用于设置置信区域的调谐参数。这方面可能是困难的，并影响覆盖精度。作为一种替代方案，本文提出了一个新版本的BEL的基础上，一个简单的，但非标准的，数据块的规则，使用每一个可能的长度的数据块。因此，该方法不涉及通常的块选择问题，并且还预期表现出更好的覆盖性能。然而，它的非标准的阻断方案，诱导非标准的渐近性，需要一个显着不同的发展相比，标准BEL。本文从校正时间序列均值或光滑函数参数置信区域的新BEL方法出发，建立了对数比统计量的大样本分布。这个极限定律不是通常的卡方定律，而是分布自由的，可以通过简单的模拟来重现。数值研究表明，所提出的方法通常具有更好的覆盖精度比标准BEL。
2014-01-06 math.ST stat.TH
Tipping point analysis of electrical resistance data with early warning signals of failure for predictive maintenance
我们将临界点分析应用于汽车或航空行业应用中常用的电子元件的测量，并根据电阻时间序列的缩放特性展示预警信号。该分析利用统计物理框架与随机建模，通过将测量的时间序列表示为从测量估计的确定性和随机性分量的组成。早期预警信号的观察比那些从传统技术，如基于阈值的故障检测，或在威布尔故障分析中使用的批量估计。所介绍的技术可能是有用的电力电子设备的预测性维护，与工业应用。我们建议，这种方法可以应用到各种电力系统和能源应用中的电磁测量。
2020-07-28 physics.data-an physics.soc-ph stat.AP
Towards Accurate and Interpretable Time-series Forecasting: A Polynomial Learning Approach
Center for Intelligent Decision-Making（智能决策中心）；Machine Learning, School of Management, Xi'an Jiaotong University, Xi'an, China（机器学习，管理学院，西安交通大学，中国）；The 39th Research Institute of China Electronics Technology Group Corporation, Xi'an, China（中国电子科技集团第三十九研究所，中国）；Shenzhen Research Institute of Big Data, ShenZhen, China（深圳大数据研究院，中国）
本文提出可解释的多项式学习方法，通过显式建模特征及其交互实现时间序列预测的高准确性和可解释性。
2026-03-03 cs.LG stat.ME
Monitoring the risk of a tailings dam collapse through spectral analysis of satellite InSAR time-series data
边坡失稳具有破坏力，可对生命和基础设施造成重大损害。因此，监测容易出现不稳定情况的斜坡，对于减轻斜坡坍塌所带来的风险至关重要。边坡监测的目的是检测稳定性问题的初步迹象，例如边坡变形时位移速率的变化。然后，该信息可以用于预测即将发生故障的时间或概率，以便提供早期警告。在这项研究中，提出了一个更客观的，渐进学习算法来检测和预测边坡破坏的风险，基于序列相关的位移时间序列数据的谱分析。将该算法应用于基于卫星的干涉合成雷达（InSAR）位移时间序列数据，以回顾性分析2019年巴西Brumadinho尾矿坝坍塌的风险。该算法识别出两个潜在的风险里程碑，并检测到确定但紧急的风险（2018年2月27日至2018年8月26日）和即将发生的尾矿坝坍塌风险（2018年6月27日至2018年12月24日）的迹象。重要的是，早在2019年1月25日大坝倒塌前至少五个月就发现了这种故障风险的初步迹象。本研究的结果表明，频谱方法和二阶统计特性的InSAR位移时间序列数据的组合可以揭示一个过渡到一个不稳定的变形制度的迹象，这种算法可以提供足够的早期预警，可以帮助减轻灾难性的斜坡故障。
2023-02-03 stat.AP stat.ME stat.ML
Applications of Distance Correlation to Time Series
使用经验特征函数解决推理问题，包括在某些特殊参数设置下的估计和拟合拟合优度检验，有着悠久的历史，可以追溯到70年代（例如，参见Feuerverger和Mureika（1977），Csorgo（1981 a，1981 b，1981 c），Feuerverger（1993））。最近，在其他推理设置中使用经验特征函数已经重新引起了人们的兴趣。由Szekely和Rizzo（2009）开发的用于测量两个随机向量之间的依赖性和测试独立性的距离协方差和相关性，可能是对此最著名的说明。我们将这些想法应用到平稳的单变量和多元时间序列来测量时间序列中的滞后自相关性和交叉相关性。在强混合假设下，我们建立了样本自相关函数和交叉距离相关函数的渐近理论。我们也将自距离相关函数（ADCF）应用于自回归过程的残差，作为拟合拟合优度的检验。在自回归模型为真的情况下，经验ADCF的极限分布与基于iid序列的极限分布有很大不同。我们说明了使用的经验自动和交叉距离相关函数测试的依赖性和交叉依赖的时间序列在各种不同的情况下。
2016-06-17 math.ST stat.TH
Interval Forecasting of Electricity Demand: A Novel Bivariate EMD-based Support Vector Regression Modeling Framework
在电力系统规划和运行决策中，高精度的电力需求区间预测是通过提供范围而不是点估计来成功降低风险的基础。在这项研究中，一种新的建模框架集成双变量经验模式分解（BEMD）和支持向量回归（SVR），扩展了成熟的经验模式分解（EMD）为基础的时间序列建模框架的能源需求预测文献，提出了电力需求的区间预测。本研究的新颖性来自就业BEMD，一个新的扩展经典经验模型分解（EMD）注定要处理二元时间序列作为复值时间序列，作为分解方法，而不是经典的EMD只能分解一维单值时间序列。该建模框架被赋予BEMD同时分解的下限和上限的时间序列，构建在复值时间序列的形式，电力需求每月每小时的基础上，从而捕捉潜在的相互关系的下限和上限。建议的建模框架是合理的，每月间隔值的电力需求数据每小时在宾夕法尼亚州新泽西州马里兰州互联，表明它是一个很有前途的方法，区间值的电力需求预测。
2014-06-15 cs.LG stat.AP
Measuring General Associations in Time Series: An Adaptation and Empirical Evaluation of the CODEC Coefficient in Determining Autoregressive Dynamics
本研究改编CODEC系数为模型无关的滞后选择工具，通过模拟和基准数据验证，其在非线性和非平稳时间序列中优于传统相关度量，为自回归动态识别提供实用方法。
2025-09-07 stat.CO stat.ME
Fisher information matrix of binary time series
分析分类相关时间序列数据的常用方法是以过去数据作为协变量输入来拟合广义线性模型（GLM）。对短时间序列长度进行推断仍然存在挑战。通过将历史数据视为协变量输入，使用经验Fisher信息计算的GLM参数估计值的标准误差不能充分考虑数据中的自相关性。为了克服这一严重的限制，我们推导出精确的条件Fisher信息矩阵的一般logistic自回归模型的内生协变量的任何系列长度$T$。此外，我们还开发了一个迭代计算公式，允许相对容易地实现所提出的估计。我们的模拟研究表明，置信区间使用精确的Fisher信息矩阵往往比那些利用经验Fisher信息矩阵窄，同时保持I型差错率在或低于标称水平。此外，我们建立了确切的Fisher信息矩阵的方法，T趋于无穷大，渐近Fisher信息矩阵先前推导出的二值时间序列数据。开发的精确条件Fisher信息矩阵应用于一个队列的准妈妈呼吸率的时间序列数据，发现它提供更窄的置信区间的科学利益的功能，并导致更大的统计功率相比，经验Fisher信息矩阵。
2018-10-21 math.ST stat.TH
The tail empirical process of regularly varying functions of geometrically ergodic Markov chains
本文考虑一个平稳的规则变化的时间序列，它可以表示为一个几何遍历的马尔可夫链的函数。我们得到了尾列和弱收敛的实用条件和簇统计量的可行估计。这些条件包括所谓的几何漂移或Foster-Lyapunov条件，并且可以很容易地检查大多数常见的具有马尔可夫结构的时间序列模型。我们在几个模型和实际应用中说明了这些条件。给出了一个反例，说明几何漂移条件不满足时的不同极限行为。
2018-09-24 math.ST stat.TH
On the Weak Convergence of the Function-Indexed Sequential Empirical Process and its Smoothed Analogue under Nonstationarity
本文研究了非平稳时间序列下函数索引序列经验过程及其平滑类似物的弱收敛性，通过新型极大不等式和一致链式论证，在温和假设下建立了渐近等连续性条件，并详细应用于非平稳α-混合序列。
2025-08-16 math.PR math.ST stat.TH
Introducing libeemd: A program package for performing the ensemble empirical mode decomposition
集成经验模式分解（EEMD）及其完全变体（CEEMDAN）是自适应的，噪声辅助的数据分析方法，改进了普通的经验模式分解（EMD）。所有这些方法将可能的非线性和/或非平稳时间序列数据分解成由瞬时频率分离的有限数量的分量。这种分解提供了一种强大的方法来研究给定时间序列数据背后的不同过程，并提供了一种将短时间尺度事件与一般趋势分开的方法。我们提出了一个免费的软件实现的EMD，EEMD和CEEMDAN，并给出了一个概述的EMD方法和分解中使用的算法。我们发布了我们的实现libeemd，目的是为任何有兴趣在时间序列数据分析中使用（E）EMD的人提供一个用户友好，快速，稳定，良好记录和易于扩展的EEMD库。虽然用C编写是为了提高数值效率，但我们的实现包括Python和R语言的接口，其他语言的接口也很简单。
2017-07-03 stat.CO
Limit theorems for non-degenerate U-statistics of block maxima for time series
本文针对多元时间序列极值的块极大值法，推导了任意阶非退化U统计量使用滑动块极大值的极限定理，推广至分段平稳样本并通过模拟验证有限样本性质。
2023-08-26 math.ST stat.TH
On clustering financial time series: a need for distances between dependent random variables
以下工作文件总结了我们在金融时间序列分组方面的工作。它是为一个关于信息几何及其在图像和信号处理中的应用的研讨会而写的。这次研讨会汇集了几位纯数学和应用数学专家以及来自医学成像、雷达信号处理和金融的应用研究人员。提交人属于后一类。本文档是一个很长的介绍，介绍了几何工具在金融应用中的进一步发展，如风险或投资组合分析。事实上，风险和投资组合分析基本上依赖于协方差矩阵。除了已知高斯假设是不准确的之外，协方差矩阵很难从经验数据中估计。为了从经验估计中滤除噪声，Mantegna提出使用分层聚类。在这项工作中，我们首先表明，这一过程是统计上一致的。然后，我们建议使用聚类与更广泛的应用比过滤的经验协方差矩阵的估计相关系数。为了做到这一点，我们需要获得金融时间序列之间的距离，这些时间序列包含了这些交叉依赖随机过程中的所有可用信息。
2016-03-25 q-fin.ST stat.ME
Estimation error for blind Gaussian time series prediction
我们解决的问题的盲预测的高斯时间序列。为此，我们构建了一个投影算子，通过将经验协方差估计插入投影仪的Schur补分解来构建。然后使用该运算符计算预测值。给出了估计的收敛速度。
2011-07-05 math.ST stat.ME stat.TH
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 Classification of Time Series is Meaningful
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）；Orange Labs（Orange实验室）
鉴于时间序列在医疗、交通和金融等广泛应用中的重要性，已经提出了许多方法用于时间序列的早期分类。然而，最近保存在Arxiv上的预印本声称，近20年来对时间序列早期分类的所有研究都是无用的，或者至少是方向不明确的，因为严重缺乏坚实的基础。本文详细回答了作者提出的主要问题和误解，并提出了进一步拓展时间序列早期分类应用领域的方向。
2021-04-30 cs.LG
Earliness-Aware Deep Convolutional Networks for Early Time Series Classification
Duke University（杜克大学）；Purdue University（普渡大学）；IIT Kanpur（印度理工学院坎普尔分校）
我们提出了Earliness-Aware Deep Convolutional Networks（EA-ConvNets），这是一个端到端的深度学习框架，用于时间序列数据的早期分类。与大多数现有的时间序列数据早期分类方法不同，这些方法旨在解决这个问题，前提是假设有一组良好的预定义的（通常是手工制作的）功能，我们的框架可以联合执行功能学习（通过学习捕获每个时间序列中的显著特征的\emph{shapelets}的深层次），以及动态截断模型，以帮助我们的深度特征学习架构专注于每个时间序列的早期部分。因此，我们的框架能够做出高度可靠的早期预测，优于各种最先进的早期时间序列分类方法，同时与使用\emph{fully observed}时间序列数据的最先进的时间序列分类算法相比也具有竞争力。据我们所知，该框架是第一个在时间序列数据的早期分类背景下执行数据驱动（深度）特征学习的框架。我们在几个基准数据集上进行了一组全面的实验，结果表明，我们的方法比为早期时间序列分类设计的各种最先进的方法产生了更好的预测。除了获得高精度外，我们的实验还表明，学习到的基于深度形状的特征也具有高度的可解释性，可以帮助更好地理解时间序列数据的潜在特征。
2016-11-14 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
Stop&Hop: Early Classification of Irregular Time Series
Massachusetts Institute of Technology（麻省理工学院）；Worcester Polytechnic Institute（伍斯特理工学院）
早期的分类算法可以帮助用户更快地对机器学习模型的预测做出反应。例如，医院的早期预警系统可以让临床医生通过准确预测感染来改善患者的预后。虽然早期的分类系统正在迅速发展，但仍然存在一个重大差距：现有系统不考虑不规则的时间序列，这些时间序列在其观测之间存在不均匀且往往很长的差距。众所周知，此类系列在医疗保健等有影响力的领域非常普遍。我们弥合了这一差距，并研究不规则时间序列的早期分类，这是早期分类器的一个新设置，为更多现实世界的问题打开了大门。我们的解决方案Stop&Hop使用连续时间递归网络来实时的建模正在进行的不规则时间序列，而通过强化学习训练的不规则感知停止策略可以预测何时停止并对流式序列进行分类。通过采用实值步长，停止策略灵活地决定何时实时的停止正在进行的序列。通过这种方式，Stop&Hop无缝集成了观测时间中包含的信息，这是这种设置中早期分类的一个新的重要来源，具有时间序列值，为不规则时间序列提供早期分类。使用四个合成数据集和三个真实世界的数据集，我们证明了Stop&Hop始终比适应这个新问题的最先进的替代方案更早，更准确的预测。我们的代码可在https://github.com/thartvigsen/StopAndHop上公开获取。
2022-08-21 cs.LG
Empirical Risk Minimization for Time Series: Nonparametric Performance Bounds for Prediction
Universitat Pompeu Fabra（庞培法布拉大学）；Barcelona Graduate School of Economics（巴塞罗那经济学院）
经验风险最小化是学习理论中选择算法的标准原则。本文研究了时间序列经验风险最小化的性质。进行分析的一般框架，涵盖不同类型的预测应用中遇到的文献。我们关注的是由参数驱动过程产生的单变量时间序列的1步预测。针对时间序列的预测问题，提出了一类递归算法。算法是递归的，在这个意义上说，在一个给定的时期内产生的预测是预测的滞后值和时间序列的函数。时间序列的生成机制和算法类别之间的关系未指定。我们的主要结果建立了由经验风险最小化选择的算法渐近地实现了在该类算法内可达到的最优预测性能。
2021-08-11 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
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
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
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
When is Early Classification of Time Series Meaningful?
University of California Riverside（加州大学河滨分校）
自二十年前提出以来，人们对时间序列的早期分类问题越来越感兴趣。这个问题将经典的时间序列分类推广到只看到目标模式的一些前缀后，我们是否可以以足够的准确度和置信度对时间序列子序列进行分类。这样做的想法是，较早的分类将使我们能够在一个有可能进行一些实际干预的领域立即采取行动。例如，这种干预可能是发出警报或在汽车中应用刹车。在这项工作中，我们提出了一个令人惊讶的主张。尽管有几十篇关于时间序列早期分类的论文，但尚不清楚它们中的任何一篇是否能在现实世界中发挥作用。问题不在于算法本身，而在于模糊和不明确的问题描述。基本上，所有算法都对问题做出了隐含的和毫无根据的假设，这将确保它们会受到假阳性和假阴性的困扰，即使它们的结果表明它们可以获得近乎完美的结果。我们将用新的见解和实验解释我们的发现，并向社区提供建议。
2022-09-03 cs.LG
