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
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
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 causality in multivariate time series via non-uniform embedding
基于非一致嵌入方案的因果分析是发现动态系统间潜在相互作用的重要方法。然而,传统的非均匀嵌入方案在估计高维条件互信息和形成最优混合嵌入向量方面仍存在一些障碍。在这项研究中,我们提出了一个新的非均匀嵌入方法的信息论框架来检测因果关系的多变量时间序列,命名为LM-PMIME,它集成了低维近似的条件互信息和混合搜索策略的混合嵌入向量的建设。我们将该方法应用于线性随机,非线性随机和混沌系统的模拟,证明其优越性部分条件互信息从混合嵌入(PMIME)方法。此外,所提出的方法适用于多变量时间序列与弱耦合强度,特别是混沌系统。在实际应用中,我们展示了它对癫痫多通道皮层电图记录的适用性。
2019-12-14 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
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
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
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
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
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
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
An empirical study of neural networks for trend detection in time series
Société Générale CIB(法国兴业银行企业与投资银行)
在噪声时间序列中检测结构是一项困难的任务。一个直观的特征是趋势的概念。从理论上的提示和使用模拟的时间序列,我们实证研究的效率,标准的递归神经网络(RNN)检测趋势。我们展示了某些标准RNN结构相对于其他各种估计器的整体优越性和多功能性。这些RNN可以用作构建更复杂的时间序列趋势估计器的基本模块。
2020-02-28 cs.LG q-fin.ST stat.ML
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
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
An Improvement of PAA on Trend-Based Approximation for Time Series
Harbin Institute of Technology(哈尔滨工业大学)
分段聚集近似(PAA)是一种有竞争力的高维时间序列挖掘的基本降维方法。然而,在部署时,局限性是显而易见的,一些重要的信息将被错过,特别是趋势。在本文中,我们提出了两种新的方法,利用近似的趋势特征信息的时间序列。第一种方法是根据每一段的相对平均值来记录趋势,将每一段分为两部分,分别用数值平均值来表示趋势。我们证明了该方法满足下界,保证没有假解雇。我们的第二种方法使用一个二进制字符串来记录趋势,这也是相对于每个段中的平均值。将该方法应用于分类和异常检测中的相似性度量,实验结果表明,通过适当地提取趋势特征,提高了分类的准确性和有效性。
2019-06-28 cs.LG 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
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
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
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
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
Parallel Extraction of Long-term Trends and Short-term Fluctuation Framework for Multivariate Time Series Forecasting
The University of Queensland(昆士兰大学);Zhejiang University(浙江大学);Chongqing University(重庆大学);Purdue University(普渡大学)
多元时间序列预测在各个领域有着广泛的应用。合理的预测结果可以辅助人们进行规划和决策,产生效益,规避风险。通常,时间序列有两个特征,即长期趋势和短期波动。例如,股票价格会随着市场出现长期上涨趋势,但短期内可能会出现小幅下跌。这两个特征往往是相对独立的。然而,现有的预测方法往往不区分它们,这降低了预测模型的准确性。本文提出了一个MTS预测框架,它可以并行地捕捉时间序列的长期趋势和短期波动。该方法使用原始时间序列及其一阶差分来表征长期趋势和短期波动。构造了三个预测子网络,分别用于预测长期趋势、短期波动和最终预测值。在总体优化目标上,借鉴了多任务学习的思想,即在要求逼近待预测值的同时,使长期趋势和短期波动的预测结果尽可能接近真实值。该方法利用了更多的监督信息,能够更准确地捕捉时间序列的变化趋势,从而提高了预测性能。
2021-03-22 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
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
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
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
An analysis of deep neural networks for predicting trends in time series data
University of Cape Town(开普敦大学);Centre for Artificial Intelligence Research(人工智能研究中心)
最近,提出了一种混合深度神经网络(DNN)算法TreNet,用于预测时间序列数据的趋势。虽然TreNet在趋势预测方面表现出优于其他DNN和传统ML方法的性能,但所使用的验证方法没有考虑时间序列数据集的连续性,也没有处理模型更新。在这项研究中,我们使用向前走验证方法在相同的数据集上复制了TreNet实验,并在多个独立运行中测试了我们的最佳模型,以评估模型稳定性。我们比较了混合TreNet算法在四个数据集上的性能,与采用点数据的普通DNN算法以及传统ML算法。我们发现,一般来说,TreNet仍然比vanilla DNN模型表现更好,但并不是在原始TreNet研究中报告的所有数据集上。本研究强调了使用适当的验证方法和评估模型稳定性的重要性,以评估和开发机器学习模型,用于时间序列数据的趋势预测。
2020-09-22 cs.LG stat.ML
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
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
Human-like Time Series Summaries via Trend Utility Estimation
University of Southern California(南加州大学);Information Sciences Institute(信息科学研究所)
在许多情况下,人类更喜欢基于文本的定量数据表示,而不是数字,表格或图形表示。文本摘要对于复杂数据的吸引力激发了对数据到文本系统的研究。虽然有几种用于时间序列的数据到文本工具,但很少有人试图模仿人类对时间序列的总结。在本文中,我们提出了一个为时间序列创建类人文本描述的模型。我们的系统发现时间序列数据中的模式,并根据使用效用估计对人类行为的经验观察对这些模式进行排名。我们提出的效用估计模型是一个贝叶斯网络捕捉不同模式之间的相互依赖性。我们描述了这个网络的学习步骤,并介绍了基线以及每个步骤的性能。我们的系统的输出是一个自然语言描述的时间序列,试图匹配人类的总结相同的数据。
2020-04-02 cs.LG stat.ML
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
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
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
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
Baseline Drift Estimation for Air Quality Data Using Quantile Trend Filtering
我们解决的问题估计平稳变化的基线趋势的时间序列数据。这个问题出现在广泛的领域,包括化学,宏观经济学和医学;然而,我们的研究是由低成本的空气质量传感器的数据分析的动机。我们的方法扩展了分位数趋势过滤框架,使多个分位数趋势的估计,同时确保分位数不交叉。为了解决超长时间序列的计算难题,提出了一种可并行化的交替方向矩量法(ADMM)算法。ADMM算法能够以分段方式估计趋势,既减少了计算时间,又将该方法的限制扩展到更大的数据大小。我们还解决平滑参数的选择,并提出了一个修改后的标准的基础上扩展贝叶斯信息准则。通过模拟研究和我们激励低成本空气质量传感器数据的应用,我们证明了我们的模型提供了比现有方法更好的分位数趋势估计,并提高了低成本空气质量传感器输出的信号分类。
2019-04-24 stat.AP stat.CO stat.ME
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
LETS-C: Leveraging Text Embedding for Time Series Classification
J.P. Morgan AI Research(摩根大通人工智能研究)
本文提出LETS-C方法,利用文本嵌入模型编码时间序列数据,并结合CNN和MLP组成的简单分类头进行分类,在准确率超越SOTA的同时大幅减少模型参数。
2025-05-31 cs.AI cs.CE cs.CL
Detection of collective and point anomalies in the presence of trend and seasonality
研究在时间序列数据中存在趋势和季节性时检测集体和点异常的问题,核心方法是能同时检测两类异常并考虑趋势和季节性模式的新方法,贡献是建立统计理论,经模拟研究和实际应用验证了方法的有效性。
2026-07-20 math.ST stat.AP stat.ME
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
Short-term time series prediction using Hilbert space embeddings of autoregressive processes
线性自回归模型是离散时间随机过程的基本表示。已经进行了不同的尝试来提供基本自回归过程的非线性版本,包括基于核方法的不同版本。受Hilbert空间分布嵌入的强大框架的启发,本文将这种方法应用于$p$阶自回归过程的核嵌入。通过这样做,我们提供了一个非线性版本的自回归过程,表现出在高度复杂的时间序列的线性模型的性能提高。我们使用所提出的方法对不同的时间序列进行一步预测,并将其性能与其他非线性方法进行比较。
2016-03-16 stat.ML
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
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
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
Meta-Learning for Koopman Spectral Analysis with Short Time-series
NTT Communication Science Laboratories, NTT Corporation(NTT公司NTT通信科学实验室);Institute of Mathematics for Industry, Kyushu University(九州大学产业数学研究所);Center for Advanced Intelligence Project, RIKEN(理化学研究所高级智能项目中心)
Koopman谱分析在非线性动力系统中引起了人们的注意,因为我们可以通过将数据嵌入到Koopman空间中来分析具有线性区域的非线性动力系统。为了分析,我们需要找到合适的嵌入函数。虽然已经提出了几种基于神经网络的方法来学习嵌入函数,但是现有的方法需要长的时间序列来训练神经网络。该限制禁止在仅可用短时间序列的应用程序中执行库普曼光谱分析。在本文中,我们提出了一种元学习方法,通过利用从相关但不同的时间序列中学习到的知识,从看不见的短时间序列中估计嵌入函数。利用该方法,通过双向LSTM获取给定短时间序列的表示,以提取其属性。短时间序列的嵌入函数由依赖于时间序列表示的神经网络建模。通过跨多个时间序列共享LSTM和神经网络,我们可以从不同的时间序列中学习公共知识,同时使用时间序列表示对特定于时间序列的嵌入函数进行建模。我们的模型经过训练,使得使用情景训练框架的预期测试预测误差最小化。我们的实验表明,所提出的方法在特征值估计和未来预测方面比现有的方法取得了更好的性能。
2021-02-09 cs.LG math.DS stat.ML
Boosted Embeddings for Time Series Forecasting
PALO ALTO NETWORKS(帕洛阿尔托网络公司);ADVANCED APPLIED AI RESEARCH(高级应用人工智能研究院)
时间序列预测是各种数据驱动应用中出现的一项基本任务。许多先进的自回归方法,如ARIMA被用来建立预测模型。最近,基于深度学习的方法,如DeepAr,NeuralProphet,Seq2Seq已经被探索用于时间序列预测问题。本文提出了一种新的时间序列预测模型DeepGB。我们制定并实现了梯度提升的变体,其中弱学习者是DNN,其权重在迭代中以贪婪的方式递增。特别是,我们开发了一种新的嵌入架构,使用梯度提升变体提高了许多深度学习模型在时间序列上的性能。我们证明,我们的模型优于现有的可比国家的最先进的模型,使用真实世界的传感器数据和公共数据集。
2021-07-11 cs.AI cs.LG stat.ML
Temporal Knowledge Graph Embedding Model based on Additive Time Series Decomposition
University of Bonn(波恩大学);Fraunhofer IAIS(弗劳恩霍夫智能分析与信息系统研究所)
知识图谱(KG)嵌入是近年来研究的热点。大多数KG嵌入模型从时间未知的三元组学习。然而,在三元组旁边包含时间信息将进一步提高KGE模型的性能。在这方面,我们提出ATiSE,时间KG嵌入模型,将时间信息到实体/关系表示使用加法时间序列分解。此外,考虑到实体/关系表示随时间演变过程中的时间不确定性,我们将时间KG的表示映射到多维高斯分布空间中。每个实体/关系在一个时间步嵌入的平均值显示了当前的预期位置,而其协方差(时间上是平稳的)表示其时间不确定性。实验结果表明,ATiSE在四个时间KG上的链接预测方面处于领先地位。
2020-10-28 cs.AI cs.LG stat.ML
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
Learning low-dimensional state embeddings and metastable clusters from time series data
Carnegie Mellon University(卡内基梅隆大学);Princeton University(普林斯顿大学)
本文研究了如何从高维马尔可夫状态轨迹中找到紧致状态嵌入,其中转移核具有小的内在秩。在扩散映射的精神,我们提出了一个有效的方法来学习低维状态嵌入和捕捉过程的动态。这个想法也导致核整形方法更准确的非参数估计的过渡函数。状态嵌入可以用于将状态聚类到亚稳态集合中,从而识别慢动态。尖锐的统计误差界和误分类率证明。对一个模拟动力系统的实验表明,状态聚类方法确实揭示了亚稳态结构。我们还实验了在玩Atari游戏时由Deep-Q-Network层生成的时间序列。嵌入方法识别游戏状态是相似的,如果他们共享类似的未来事件,即使他们的原始数据是远远不同的。
2019-10-27 cs.LG stat.ML
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
Wasserstein total variation filtering
Columbia University(哥伦比亚大学);Zuckerman Institute(祖克曼研究所)
在本文中,我们扩大了趋势过滤理论,通过引入使用Wasserstein度量作为一种手段来控制过滤时间序列数据的时空变化量。虽然趋势滤波利用正则化来产生分段线性的信号估计(在$\ell_1$正则化的情况下)或时间平滑的信号估计(在$\ell_2$正则化的情况下),但是它忽略了信号的空间分布的拓扑。通过结合像素布局的基本度量空间的信息,Wasserstein度量是一个有吸引力的选择,作为一个正则化隐藏时空趋势的时间序列数据。我们引入了一个全局最优算法,有效地估计下的Wasserstein有限差分算子的滤波信号。所提出的算法在时间序列视频中保持时空趋势的有效性在线虫线虫的模拟和荧光显微镜视频中得到证明,并与标准趋势滤波算法进行比较。
2019-10-23 cs.CV eess.IV eess.SP
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
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