Multivariate Count Time Series Modelling
本文综述了自回归模型在多变量计数时间序列分析中的应用。在这样做时，我们讨论了一个合适的分布的向量计数随机变量的选择。本文综述了多元计数时间序列分析的三种主要方法：（a）整数自回归过程，（b）参数驱动模型和（c）观测驱动模型。这项工作的目的是突出一些最近的方法发展，并提出一些潜在的有用的研究课题。
2021-09-19 stat.ME
Cluster-Aware Causal Mixer for Online Anomaly Detection in Multivariate Time Series
University of California, Berkeley（加州大学伯克利分校）
本文提出了一种基于聚类的因果混合器，用于多变量时间序列的在线异常检测，通过聚类处理通道间的相关性，结合因果混合器保持时间因果性，并开发了序列异常评分方法以提高检测准确性。
2026-06-04 cs.LG stat.ML
A new approach for open-end sequential change point monitoring
我们提出了一个新的顺序监测计划的参数变化的多元时间序列。与文献中提出的将训练样本的估计值与从剩余数据计算的估计值进行比较的程序相反，我们建议在训练样本之后的每个时间点划分样本。然后连续比较所有分离点之前和之后样本的估计值，计算其差异的最大范数。对于开放式的情况下，我们的方法产生一个渐近水平的$α$程序，这是一致的下，在参数的变化的替代。通过仿真研究，它表明，新的方法优于常用的程序的功率和我们的方法的可行性，通过分析两个数据的例子。
2020-07-27 math.ST stat.ME stat.TH
Multivariate stochastic volatility using state space models
本文利用状态空间模型，提出了一种求解多变量随机波动率的贝叶斯方法。采用对数收益的自回归模型。我们推广的倒Wishart分布，以允许不同的相关结构之间的观察和状态的创新向量，我们扩展的Wishart和多元奇异beta分布之间的卷积。基于广义逆Wishart分布和多元奇异Beta分布，提出了一个乘性模型来描述波动率的演化，并采用了灵活的序列波动率更新。所提出的波动率的算法是快速和计算量小，它可以用于在线预测。最后以8种货币的外汇汇率数据为例进行了说明。实证结果表明，时变相关性可以有效地估计，即使在高维数据的情况下。
2008-02-01 q-fin.ST stat.AP stat.ME
CDSA: Cross-Dimensional Self-Attention for Multivariate, Geo-tagged Time Series Imputation
Columbia University（哥伦比亚大学）；Mitsubishi Electric（三菱电机）
许多现实世界的应用涉及多变量，地理标记的时间序列数据：在每个位置，多个传感器记录相应的测量。例如，空气质量监测系统记录PM2.5、CO等。由于设备中断或通信错误，所产生的时间序列数据通常具有缺失值。为了估算缺失值，最先进的方法建立在递归神经网络（RNN）上，它顺序处理每个时间戳，禁止直接建模遥远的时间戳之间的关系。最近，自注意力机制已经被提出用于序列建模任务，如机器翻译，显著优于RNN，因为每两个时间戳之间的关系可以显式建模。在本文中，我们是第一个适应多变量，地理标记的时间序列数据的自注意力机制。为了在保持较低计算复杂性的同时，联合捕获时间、位置和传感器测量等多个维度的自我注意力，提出了一种新的跨维度自注意力（CDSA）方法，以顺序独立的方式处理每个维度。我们在四个真实世界的数据集上进行了广泛的实验，包括三个标准基准和我们新收集的纽约交通数据集，证明我们的方法优于最先进的插补和预测方法。详细的系统分析证实了我们的设计选择的有效性。
2019-08-05 cs.LG stat.ML
A Generalised Signature Method for Multivariate Time Series Feature Extraction
University of Oxford（牛津大学）；The Alan Turing Institute（艾伦·图灵研究所）；Sorbonne Université（索邦大学）
“签名方法”是指一系列用于多变量时间序列的特征提取技术，源自控制微分方程理论。如何应用这种方法有很大的灵活性。一方面，这种灵活性允许该方法针对特定问题进行定制，但另一方面，可能会使精确的应用具有挑战性。本文有两个贡献。首先，签名方法的变化被统一到一个通用的方法，\emph{generalised signature method}，其中以前的变化是特殊情况。这个统一框架的主要目的是使签名方法更容易被任何机器学习从业者使用，而现在它主要由专家使用。其次，在这个框架内，我们得到了一个规范的选择，提供了一个域不可知的起点。我们得出这些选择作为一个广泛的实证研究的结果，对26个数据集，并继续显示竞争力的性能对当前的基准多变量时间序列分类。最后，为了简化实际应用，我们将我们的技术作为开源项目的一部分。
2021-02-06 cs.LG stat.ML
Latent Gaussian dynamic factor modeling and forecasting for multivariate count time series
针对多元高维计数时间序列，提出基于潜高斯动态因子变换的建模方法，利用二阶性质与主成分分析估计参数并证明理论一致性，结合 Kalman 滤波与序贯 Monte Carlo 实现预测。
2025-04-03 econ.EM stat.ME
Dynamic Spatio-Temporal Sequential Ordinal Models: Application to Invasive Weeds
针对时空有序数据的贝叶斯分析问题，提出动态时空序列有序模型，采用INLA方法估计，应用于四种入侵杂草叶冠覆盖丰度研究，揭示了物种响应差异与时空依赖特征。
2025-09-02 stat.AP
An Evaluation of Anomaly Detection and Diagnosis in Multivariate Time Series
最近提出了几种多变量时间序列异常检测技术，但缺乏对一组常见的数据集和度量的系统比较。本文对基于无监督和半监督深度学习的方法进行了系统和全面的评估，用于对来自网络物理系统的多变量时间序列数据进行异常检测和诊断。与以前的作品不同，我们通过10个模型和4个评分函数的网格来改变模型和模型误差的后处理，即评分函数彼此独立，将这些变体与最先进的方法进行比较。在时间序列异常检测中，检测异常事件比检测单个异常时间点更重要。通过实验，我们发现现有的评价指标要么没有考虑事件，要么不能区分好的检测器和平凡的检测器，如随机检测器或全正检测器。我们提出了一个新的度量，以克服这些缺点，即，复合F分数（$Fc_1$），用于评估时间序列异常检测。我们的研究强调，动态评分函数的工作比静态的多变量时间序列异常检测，评分函数的选择往往比选择的基础模型更重要。我们还发现，一个简单的通道模型-单变量全连接自动编码器，具有动态高斯评分函数，是异常检测和诊断的获胜候选者，击败了最先进的算法。
2021-09-23 cs.AI cs.LG stat.ML
Some variation of COBRA in sequential learning setup
Indian Institute of Technology, Guwahati（印度古瓦哈蒂印度理工学院）
本文提出序贯学习中基于组合回归策略变体的多元时间序列预测方法，结合特定预处理，并比较贝叶斯优化与网格搜索，在三类八个数据集上超越现有模型。
2024-04-07 cs.CE cs.LG eess.SP
PSEUDo: Interactive Pattern Search in Multivariate Time Series with Locality-Sensitive Hashing and Relevance Feedback
IAV GmbH（IAV公司）；Utrecht University（乌得勒支大学）
我们提出了PSEUDo，一种自适应特征学习技术，用于探索多轨道序列数据中的视觉模式。我们的方法设计的主要重点是克服当前基于深度学习的系统中不经济的再训练要求和不灵活的表示学习。由于传感器和数据存储的增加，多轨道时间序列数据以前所未有的规模生成。这些数据集包含有价值的模式，就像在神经营销中，研究人员试图将来自生理传感器的多变量序列数据中的模式与产品和服务的购买行为联系起来。但是，缺乏地面实况和高方差使自动模式检测不可靠。我们的进步是基于一种新的查询感知的局部敏感的哈希技术，以创建一个基于特征的多变量时间序列窗口的表示。最重要的是，我们的算法具有次线性训练和推理时间。我们甚至可以完成10，000个不同的64轨时间序列的建模和比较，每个时间序列在0.8秒内具有100个时间步长（典型的EEG数据集）。这种性能增益允许底层模式相似性模型的快速相关反馈驱动的自适应，并使用户能够逐渐修改速度与准确性的权衡。我们通过定量性能比较和定性视觉质量比较，证明了PSEUDo在效率，准确性和可操控性方面的优越性，以最先进的算法在该领域。此外，我们展示了PSEUDo的可用性，通过案例研究，展示了我们的视觉模式检索概念在一个大型气象数据集。我们发现，我们的自适应模型可以准确地捕捉用户的相似性的概念，并允许在大型多变量时间序列数据集的可理解的探索性视觉模式检索。
2021-05-10 cs.AI cs.DS cs.LG
The mbsts package: Multivariate Bayesian Structural Time Series Models in R
多变量贝叶斯结构时间序列（MBSTS）模型是处理多个相关时间序列的推断和预测的通用机器学习模型，其中还可以选择对每个目标序列使用不同的候选池的同期预测器。MBSTS模型具有广泛的应用，是特征选择、时间序列预测、临近预报、因果影响推断等的理想模型。本文介绍了如何使用R包MBSTS进行MBSTS建模，在包中的用户友好功能和开发人员友好功能之间建立桥梁，以及相应的方法。软件包中的面向对象功能以使用户能够灵活地添加或减少某些组件以及简化或复杂某些设置的方式进行解释。
2023-02-06 cs.LG cs.MS stat.AP
A Tidy Framework and Infrastructure to Systematically Assemble Spatio-temporal Indexes from Multivariate Data
University of Texas at Austin（德克萨斯大学奥斯汀分校）；Monash University（莫纳什大学）；University of Natural Resources and Life Sciences, Vienna（维也纳自然与应用生命科学大学）；BNU-HKBU United International College（北京师范大学-香港浸会大学联合国际学院）；University of Melbourne（墨尔本大学）
本文提出了一种模块化的数据管道框架，用于系统性地构建时空索引，通过参数调整和实验设计提升索引的鲁棒性和不确定性分析能力。
2024-05-13 stat.CO
A Hierarchy of Entropy-Shapley Games for Multivariate Predictive Uncertainty
Leibniz Institute for Prevention Research and Epidemiology – BIPS（莱布尼茨预防研究与流行病学研究所——BIPS）；University of Bremen（不来梅大学）；Simula Research Laboratory（西穆拉研究实验室）；Telenor Research & Innovation（挪威电信研究与创新部）；Norwegian Computing Center（挪威计算中心）
本文提出熵-沙普利博弈层级，用于多元预测不确定性归因，分离跨分量依赖效应，并提供闭式与样本估计器，验证于多种概率模型。
2026-09-29 cs.LG stat.ML
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
Kernels for time series with irregularly-spaced multivariate observations
INSEAD（欧洲工商管理学院）；University College London（伦敦大学学院）；The Alan Turing Institute（艾伦·图灵研究所）
时间序列是基于内核的方法的一个有趣的前沿，原因很简单，没有内核设计来表示它们及其完全通用的独特特性。现有的序列内核忽略了时间索引，许多假设序列必须是规则间隔的;一些这样的内核甚至不是psd。在这篇手稿中，我们表明，一个“系列内核”，这是一般足以代表不规则间隔的多变量时间序列可以建立出众所周知的“向量内核”。我们还表明，使用我们的方法构建的所有系列内核是PSD，因此具有广泛的适用性。我们通过制定一个基于高斯过程的策略来证明这一点-以我们的系列内核为核心-在给定训练集时对测试系列进行预测。我们通过在多个数据集上估计其泛化误差并将其与相关基线进行比较来实验验证该策略。我们还表明，我们的系列内核可用于更传统的设置时间序列分类，其性能大致符合替代方法。
2020-04-18 cs.LG stat.ML
Distribution Regression for Sequential Data
University of Warwick（华威大学）；Alan Turing Institute（艾伦·图灵研究所）；University of Oxford（牛津大学）；CSIRO’s Data61（澳大利亚联邦科学与工业研究组织数据61中心）
分布回归是指监督学习问题，其中标签仅适用于输入组而不是单个输入。在本文中，我们开发了一个严格的数学框架的分布回归输入是复杂的数据流。利用属性的预期签名和最近的签名核技巧从随机分析的序列数据，我们引入了两种新的学习技术，一个基于特征的和其他基于内核的。每一个都适合于不同的数据制度，在数据流的数量和各个流的维度方面。我们提供了这两种方法的普遍性的理论结果，并实证证明了它们对不规则采样的多变量时间序列的鲁棒性，在热力学，数学金融学和农业科学的合成和现实世界的例子中实现了最先进的性能。
2021-09-29 cs.LG stat.ML
RED CoMETS: An ensemble classifier for symbolically represented multivariate time series
University of Bristol（布里斯托尔大学）；Awerian（阿维里安公司）；School of Engineering Mathematics and Technology（工程数学与技术学院）
RED CoMETS是一种基于Co-eye扩展的集成分类器，用于符号表示的多变量时间序列分类，在UCR基准上达到竞争性精度，并在HandMovementDirection数据集上创下最高准确率，同时大幅降低计算时间。
2023-09-16 cs.LG stat.ML
Sequential Estimation of Multivariate Factor Stochastic Volatility Models
本文给出了一种估计具有潜在因子结构的多元随机波动模型参数的简单方法。这些模型非常有用，因为它们减轻了标准的维数灾难，允许参数的数量仅随收益序列的数量线性增加。虽然理论上非常有吸引力，但由于巨大的计算负担，这些模型只发现了有限的实际应用。我们的估计方法是简单的实施，它包括两个步骤：首先，我们估计的负载和无条件方差的最大似然，然后我们使用有效的矩的方法来估计的随机波动率结构的参数与Gestival作为辅助模型。在一个全面的蒙特卡罗研究中，我们展示了我们的方法的良好性能，准确地估计感兴趣的参数。模拟研究和实际向量的每日收益的维度高达148的应用程序显示了该方法的计算优势，现有的估计程序。
2023-02-14 econ.EM
The Anatomy of Dependence in Multivariate Ordered Choice
Faculty of Economics, University of Cambridge（剑桥大学经济学学院）；Department of Economics, Royal Holloway University of London（伦敦大学皇家霍洛威学院经济学系）
针对多变量有序选择决策中标准模型窄范围决策的缺陷，提出嵌套标准模型的通用矩形结构模型，引入两层依赖，通过微观基础、可识别性证明及估计讨论，应用于父母投资、加密货币及健康保险等场景以区分道德风险与逆向选择。
2026-10-23 econ.EM stat.AP stat.ME
Learning Sequential Mobility Choice: A Review of Route and Activity Choice through Inverse Reinforcement Learning and Imitation Learning
School of Computing and Information Systems, Singapore Management University（新加坡管理大学计算与信息学院）
本综述构建了将交通选择建模与IRL、IL结合的统一框架，综述多种相关学习方法，提出嵌入行为约束的混合模型可提升出行选择预测性能。
2026-09-18 econ.EM
Q-SCM: A Quantum-Sequential Choice Model for Driver Mental State Evolution
Toronto Metropolitan University（多伦多都会大学）；Carleton University（卡尔顿大学）
该研究提出Q-SCM模型用于模拟交互式交通环境中驾驶员心理状态演变，保留经典潜在类别结构，用量子认知状态模型取代传统类别成员公式，通过感知线索引发酉旋转，引入控制机制，经实证得出防御状态形成受多种因素影响的结论。
2026-08-11 econ.EM
Random taste heterogeneity in discrete choice models: Flexible nonparametric finite mixture distributions
本文提出了一个多元非参数有限混合分布的混合logit模型。分布的支持被指定为系数空间上的高维网格，沿着相同维度的连续点之间具有相等或不等的间隔;网格上每个点的位置和该点的概率质量是需要估计的模型参数。该框架不要求分析师在模型估计之前指定分布的形状，但可以近似任何多变量概率分布函数到任何任意精度。特别是具有不等间隔的网格，提供了比现有的多变量非参数规格更大的灵活性，同时需要估计少量的附加参数。一个期望最大化算法开发这些模型的估计。多个合成数据集和一个案例研究的出行方式选择行为，以证明模型框架和估计算法的价值。与现有的通过连续混合分布将随机味道异质性纳入的模型相比，所提出的模型提供了更好的样本外预测能力。调查结果显示，在支付措施之间的意愿显着差异，建议的模型和现存的规格。案例研究进一步证明了该模型的能力，内生恢复模式的属性不出席和选择集的形成。
2018-02-07 econ.EM stat.AP
Sequential Estimation of Dynamic Discrete Choice Models with Unobserved Heterogeneity
Xiamen University（厦门大学）；Vancouver School of Economics, University of British Columbia（不列颠哥伦比亚大学温哥华经济学院）；Faculty of Economics, University of Tokyo（东京大学经济学部）
本文提出EM-NPL(q)框架，结合EM算法与截断固定点求解器，提高了动态离散选择模型估计效率，同时保持统计性质，并通过实证显示忽略未观察异质性会显著低估价格弹性及税收补偿效应。
2026-09-17 econ.EM
Two Level Nested and Sequential Logit
本文推导了两级嵌套与序贯Logit模型的基本方程，包括Berry反演公式和市场份额方程，指出两者在特定假设下等价，为实证研究提供参考。
2025-03-31 econ.EM econ.GN q-fin.EC
