Orientability of Causal Relations in Time Series using Summary Causal Graphs and Faithful Distributions
Sorbonne Université（索邦大学）；INSERM（国家卫生研究院）；Institut Pierre Louis d’Epidémiologie et de Santé Publique（流行病与公共卫生研究所）
本文研究了在总结因果图和忠实分布下，时间序列中因果关系的可定向性，提供理论保证以指导微尺度边定向，提升复杂时间系统中的因果发现。
2026-03-12 cs.AI stat.ME
Correlated Time Series Forecasting using Deep Neural Networks: A Summary of Results
Aalborg University（奥尔堡大学）
网络物理系统通常由随着时间的推移相互作用的实体组成。与此同时，作为工业过程持续数字化的一部分，各种传感器技术被部署，使我们能够记录时变属性（也称为，时间序列），从而产生相关的时间序列。为了能够对这种相关的时间序列进行准确的预测，本文提出了两种模型，结合卷积神经网络（CNN）和递归神经网络（RNN）。第一个模型在每个单独的时间序列上使用CNN，组合卷积特征，然后在卷积特征之上应用RNN，以实现预测。第二个模型将额外的自动编码器添加到各个CNN中，使第二个模型成为多任务学习模型，提供准确和强大的预测。在两个真实的相关时间序列数据集上的实验表明，所提出的两个模型是有效的，在大多数情况下优于基线。本报告通过提供额外的实验结果，扩展了ACM CIKM 2018上发表的论文“使用多任务深度神经网络进行相关时间序列预测”。
2018-08-30 cs.LG stat.ML
Causal Graph Discovery from Self and Mutually Exciting Time Series
Georgia Institute of Technology（佐治亚理工学院）；Emory University School of Medicine（埃默里大学医学院）
提出结合数据自适应正则化的广义线性结构因果模型，将自激励与互激励时间序列的因果 DAG 发现转化为凸优化，并提供非渐近保证与置信区间，在 SADs 上兼具可解释性和接近 XGBoost 的预测性能。
2023-09-26 cs.LG math.ST stat.AP
Nonparametric Time Series Summary Statistics for High-Frequency Accelerometry Data from Individuals with Advanced Dementia
加速度计数据已被广泛用于测量健康科学中个体的活动和昼夜节律，特别是患有晚期痴呆症的人。现代加速度计可以以1赫兹的采样频率记录对单个个体的连续观察数天。如此丰富和冗长的数据集为深入了解统计数据提供了新的机会，但也给从各种可能的汇总统计数据中进行选择以及如何最佳调整和实施此类统计数据的计算带来了挑战。在本文中，我们建立在现有的方法，以及提出新的汇总统计，并详细说明这些应该如何实现与高频加速度计数据。我们测试和验证我们的方法在观察到的数据集，从26个记录从个人患有晚期痴呆症和14个记录从个人没有痴呆症。我们研究四个指标：日间稳定性（IS），日内变异性（IV），从去趋势波动分析（DFA）的标度指数，和一种新的非参数估计，我们称之为方差比例（PoV），它计算的强度的昼夜节律使用频谱密度估计。我们进行了详细的分析，指出如何对时间序列进行最佳二次采样以计算IV，并建议对已研究的数据集采用约5分钟的二次采样率。此外，我们建议使用DFA标度指数分别为白天和夜间，以进一步分离个人之间的影响。我们比较所有这些方法之间的关系，并表明它们有效地捕捉不同的功能的时间序列。
2020-09-30 q-bio.QM stat.AP
Identifiability of total effects from abstractions of time series causal graphs
Sorbonne Université（索邦大学）；INSERM（法国国家健康与医学研究院）；Institut Pierre Louis d’Epidémiologie et de Santé Publique（皮埃尔·路易流行病学与公共卫生研究所）；EasyVista（易视塔公司）；Univ Grenoble Alpes（格勒诺布尔大学）；CNRS（法国国家科学研究中心）；Grenoble INP（格勒诺布尔理工学院）；LIG（信息与信号处理实验室）；INRIA（法国国家信息与自动化研究所）；Université of Rennes 2（雷恩第二大学）
针对仅能获取时间序列因果图抽象形式的场景，研究干预总效应的可识别性，证明扩展摘要因果图中总效应始终可识别，给出摘要因果图可识别性的充分条件及对应调整集。
2025-02-16 cs.AI math.ST stat.TH
Causal Regime Detection in Energy Markets With Augmented Time Series Structural Causal Models
本文提出ATSCM模型，通过学习时间变化的因果图，实现对能源市场中因果模式的检测与反事实推理。
2026-01-21 cs.LG q-fin.CP stat.ME
Evolution of Hierarchical Structure & Reuse in iGEM Synthetic DNA Sequences
许多复杂的系统，无论是在技术上还是在自然界中，都表现出层次模块化：较小的模块，每个模块都提供特定的功能，在执行更复杂功能的较大模块中使用。在此之前，我们提出了一个建模框架，称为Evo-Lexis，它提供了一些关于进化层次系统的基本问题的见解。Evo-Lexis模型的预测应该使用来自进化系统的真实数据进行测试，其中输出可以很好地用序列表示。在本文中，我们调查的时间序列的iGEM合成DNA数据集序列，以及所得到的iGEM层次结构是否表现出定性性质预测的Evo-Lexis框架。与Evo-Lexis相反，在iGEM中，重用量在数据集的时间轴期间减少。虽然这导致开发成本效益较低且深度较低的LPEG-DAG，但数据集在重用特定节点方面表现出比其他节点更频繁的偏差。这导致LPEG-DAG采取具有相对高的H分数值和稳定的核心节点集的沙漏形状。尽管核心集的重用偏差和稳定性，但数据集在目标之间呈现出大量的多样性，这与Evo-Lexis的建模一致。
2019-06-06 cs.NE cs.SI stat.CO
Causal Structural Learning from Time Series: A Convex Optimization Approach
Georgia Institute of Technology（佐治亚理工学院）
本文针对时间序列因果结构学习中DAG优化非凸的难题，提出一种数据自适应线性方法，借助单调算子变分不等式将其转化为凸优化问题，并给出非渐近恢复保证，实验证明其在结构恢复上优于现有方法。
2023-04-15 cs.LG stat.ME
Resampling Methods that Generate Time Series Data to Enable Sensitivity and Model Analysis in Energy Modeling
针对能源系统建模中时间序列数据的后解分析需求，提出两种高效非参数自举方法生成可信时间序列，还探索了序列扰动技术，所生成序列适用于鲁棒性等分析，且具跨领域应用潜力。
2025-02-12 stat.CO
Frequency Band Analysis of Nonstationary Multivariate Time Series
来自生物医学时间序列中的频带的信息提供了所观察到的信号的有用摘要。许多现有的方法考虑在几个众所周知的预定义的感兴趣的频带上获得的时间序列的概要。然而，这些方法没有提供用于识别频带的数据驱动的方法，其最佳地概括了时间序列中的频域信息。提出了一种识别多变量局部平稳时间序列频率空间中分割点的新方法。这些分割点表示信号时变行为中的频率变化，并提供最好地保留所观察到的序列的非平稳动态的频带汇总测量。构造了一个基于$L_2$范数的差异测度，发现时变谱密度矩阵的差异，并推导了其渐近性质。还提供了新的非参数自举检验，以确定显着的频率划分点，并确定组件和跨组件的频谱矩阵表现出频率的变化。通过仿真说明了所提出的方法的单样本性能。所提出的方法是用来开发最佳频带总结措施，用于表征时变行为的休息状态脑电图（EEG）时间序列，以及识别组件和交叉组件与每个频率分区点。
2023-01-09 stat.ME
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
Unsupervised Feature Based Algorithms for Time Series Extrinsic Regression
Department of Computer Science and Numerical Analysis, University of Cordoba（科塔达大学计算机科学与数值分析系）；School of Computing Sciences, University of East Anglia（东安格利亚大学计算科学学院）
本文扩展了时序外回归算法的数据集，引入了FreshPRINCE和DrCIF两种新算法，展示了它们在性能上显著优于其他回归器，包括标准旋转森林回归器。
2023-05-02 cs.LG stat.ML
A comparison of Hurst exponent estimators in long-range dependent curve time series
Hurst指数是自相似长程相依随机过程的最简单的数值概括。研究了长相依曲线时间序列中Hurst指数的估计问题。我们的估计方法首先通过构建一个长期协方差函数的估计，我们使用，通过动态功能主成分分析，在估计的正交函数跨越占主导地位的子空间的功能时间序列。在函数自回归分数积分滑动平均模型的背景下，我们比较了几种时域和频域Hurst指数估计的有限样本偏差、方差和均方误差，并提出了我们的建议。
2020-03-17 math.ST stat.AP stat.TH
Adaptive Frequency Band Analysis for Functional Time Series
非平稳函数时间序列的频域特性往往包含有价值的信息。这些特性通过其随时间变化的功率谱来表征。寻求功率谱的低维汇总测量的从业者通常将频率划分为频带，并在频带内创建功率的折叠测量。然而，标准频带在很大程度上是通过人工检查时间序列数据来开发的，并且可能不足以概括功率谱。在这篇文章中，我们提出了一个自适应频带估计的非平稳函数时间序列，最佳地总结了随时间变化的动态系列的框架。我们开发了一种扫描统计和搜索算法来检测频域中的变化。我们建立了这个框架的理论属性，并开发了一个计算效率高的实现。我们的方法的有效性也是合理的，通过大量的模拟研究和应用程序分析参与者的脑电图数据之间交替的眼睛打开和关闭的条件。
2021-03-10 math.ST stat.AP stat.CO
Learning local directed acyclic graphs based on multivariate time series data
多变量时间序列（MTS）数据，如基因组学中的时间过程基因表达数据，经常被收集来研究系统的动态性质。这些数据提供了一组随机变量之间的因果关系的重要信息。在本文中，我们介绍了一个计算效率高的算法来学习有向无环图（DAG）的MTS数据的基础上，专注于学习一个给定的目标变量的局部结构。我们的算法是基于学习所有的父母（P），所有的孩子（C）和一些后代（D）（PCD）迭代，利用变量的时间顺序定向的边缘。该时间序列PCD-PCD算法（tsPCD-PCD）将先前的PCD-PCD算法扩展到相依观测，并利用复合似然比检验（CLRTs）来检验条件独立性。我们提出的CLRT统计量的渐近分布，并表明，tsPCD-PCD是保证恢复真实的DAG结构时，忠实性条件成立，测试正确地拒绝零假设。仿真研究表明，CLRT是有效的，表现良好，即使在样本量是小的。此外，tsPCD-PCD算法在恢复局部图结构方面优于PCD-PCD算法。我们通过分析与小鼠T细胞活化相关的时程基因表达数据来说明该算法。
2013-12-02 stat.AP
Pattern-Based Analysis of Time Series: Estimation
虽然物联网（IoT）设备和传感器创建连续的信息流，但大数据基础设施被认为可以实时处理大量数据。这种连续信息流的一种类型是时间序列数据。由于时间序列中信息的丰富性和概括统计量对封装这些数据中的结构和模式的不足，开发新的方法来学习时间序列是令人感兴趣的。在本文中，我们提出了一种新的方法，称为模式树，学习模式的时间序列使用一个二进制结构的树。虽然模式树可以用于许多目的，如无损压缩，预测和异常检测，在本文中，我们专注于它在时间序列估计和预测的应用。与其他方法相比，我们提出的模式树方法改善了估计的均方误差。
2020-05-02 cs.IT eess.SP math.IT
Exploratory Analysis of High Dimensional Time Series with Applications to Multichannel Electroencephalograms
在本文中，我们解决的主要障碍，高维EEG分析提取最佳的低维表示。使用我们的方法，在一个高维的大脑网络的区域之间的连接的特点是通过特定区域的因素之间的连接。该方法的动机是我们的观察，从每个区域内的通道脑电图（EEG）表现出高度的多重共线性和同步。这些意见表明，提取每个区域的汇总因素是明智的。我们认为，一般的方法来获得总结因素，这是解决方案的标准平方误差重建。在这项工作中，我们重点关注线性自动编码器和解码器的两种特殊情况。在第一种方法中，这些因素被表征为所观察到的高维时间序列的瞬时线性混合。在第二种方法中，因子信号是原始信号的线性滤波版本，其比瞬时混合更一般。该探索性分析是多尺度因子分析模型的起点，其中来自所有区域的级联因子由捕获高维信号中的连接性的向量自回归模型表示。我们通过不同条件下的模拟对这两种方法进行了评估。仿真结果提供了见解的性能和应用范围的方法。我们还进行了探索性分析，记录了几个时期在静息状态下的脑电图。最后，我们在Matlab工具箱XHiDiTS中实现了这些探索性方法，该工具箱可从https://goo.gl/uXc8ei获得。
2016-10-24 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
Persistent Homology of Time Series through Complex Networks
Institute of Applied Mathematics, Middle East Technical University（中东技术大学应用数学研究所）；TÜBİTAK ULAKBİM（土耳其科学技术研究理事会国家学术网络中心）
本文提出通过复杂网络和持久同调进行单变量时间序列分类的统一流程，实验表明最佳网络构造取决于信号的判别结构，图距离度量影响分类性能，持久特征在噪声下表现稳定。
2026-09-28 cs.LG math.AT stat.AP
A nonstationary seasonal Dynamic Factor Model: an application to temperature time series from the state of Minas Gerais
本研究应用非平稳季节性动态因子模型分析米纳斯吉拉斯州气温数据，提取两个季节性因子，有效捕捉州级一般季节模式及区域差异，避免信息损失。
2025-10-17 stat.AP
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
Random forest prediction of Alzheimer's disease using pairwise selection from time series data
在阿尔茨海默病研究中收集的时间依赖性数据通常具有缺失和不规则采样的数据点。由于这个原因，假设规则采样的时间序列方法不能在没有预处理步骤的情况下直接应用于数据。在本文中，我们使用机器学习的方法来学习在不同的时间间隔的数据点对之间的关系。输入向量包括时间序列历史的概要，并且包括人口统计学变量和非时变变量（诸如遗传数据）。所使用的数据集来自2017年TADPOLE大挑战，该挑战旨在使用包括人口统计学，身体和认知数据来预测阿尔茨海默病的发作。挑战在于AD、MCI和对照组的三重诊断分类、ADAS-13评分的预测和标准化心室容积。在比赛进行的同时，可以使用从阿尔茨海默病神经成像倡议（ADNI）中选择的排行榜数据集并使用用于测量准确性的标准度量来比较预测方法。对于诊断，我们发现mAUC为0.82，分类准确度为0.73。结果表明，该方法是有效的，并与其他方法相比。
2018-08-09 q-bio.QM stat.AP
Time Series Clustering via Community Detection in Networks
Institute of Mathematics and Computer Science, University of São Paulo（圣保罗大学数学与计算机科学学院）；Department of Computing and Mathematics, University of São Paulo（圣保罗大学计算与数学系）
在本文中，我们提出了一种在复杂网络中使用社区检测进行时间序列聚类的技术。首先，我们提出了一种方法，将一组时间序列转换成一个网络，使用不同的距离函数，其中每个时间序列由一个顶点表示，最相似的连接。然后，我们应用社区检测算法来识别强连接的顶点（称为社区），从而识别时间序列簇。本文还综合分析了时间序列距离函数的各种组合、网络生成方法和社团检测技术对聚类结果的影响。实验研究表明，所提出的基于网络的方法取得了更好的结果比各种经典或最新的聚类技术正在考虑。统计测试表明，该方法在不同数据集上的聚类性能优于$k$ -medoids、diana、median-linkage和centroid-linkage等经典聚类算法。有趣的是，该方法可以有效地检测形状模式呈现在时间序列由于在聚类过程中构建的底层网络的拓扑结构。与此同时，其他技术无法识别这种模式。此外，所提出的方法是强大的，足以组时间序列呈现类似的模式，但与时移和/或幅度变化。综上所述，本文提出的方法的要点是将时间序列从时空域转换到拓扑域。因此，我们希望我们的方法不仅有助于时间序列聚类，但也为一般的时间序列分析任务。
2015-08-19 cs.LG cs.SI stat.ML
Novel Bayesian algorithms for ARFIMA long-memory processes: a comparison between MCMC and ABC approaches
本文比较了用于估计ARFIMA模型参数的MCMC和ABC两种贝叶斯方法，提出新型滤波MCMC算法和基于三种汇总统计量的ABC方法，通过模拟和金融数据验证表明滤波MCMC性能更优。
2024-10-17 stat.CO stat.ME
