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
Seasonality, density dependence and spatial population synchrony
空间种群同步性是近几十年来理论和实证研究的焦点,旨在理解生态动态的驱动机制和相互作用。在许多系统中,季节性在种群的密度依赖结构中起着重要的作用,但这在同步性研究中几乎没有得到任何关注。在这里,我们提出了一个协议,允许阐明确定性和随机性的空间同步源,同时占地理和季节特定的密度依赖。我们将我们的协议季节性采样的亚北极灰边田鼠,显着的空间同步时间序列。分离的季节性密度依赖的贡献,总观察到的同步性揭示了不同的强度和形状的同步模式的季节。温和的冬季天气揭示了田鼠空间同步的一个重要驱动因素,在秋季具有滞后效应。这对这些物种在面临气候变化时的未来种群动力学有直接影响。
2022-03-30 q-bio.PE q-bio.QM stat.AP
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
Improving Robustness on Seasonality-Heavy Multivariate Time Series Anomaly Detection
North Carolina State University(北卡罗来纳州立大学);Intuit AI(Intuit 人工智能)
时间序列数据的鲁棒异常检测(AD)是监控许多复杂现代系统的关键组成部分。这些系统通常会生成高维时间序列,这些时间序列可能是高噪声的,季节性的和相互关联的。本文探讨了这些数据中的一些挑战,并提出了一种新的方法,该方法可以提高季节性和污染数据的鲁棒性,同时提供更好的异常根本原因识别。特别是,我们提出使用鲁棒季节性多变量生成对抗网络(RSM-GAN),该网络通过采用卷积LSTM层和注意力机制来扩展GAN的最新进展,以在各种设置上产生出色的性能。我们进行了大量的实验,在这些实验中,该模型不仅在复杂的季节性模式上显示出更强大的行为,而且还显示出对训练数据污染的抵抗力。我们将其与现有的经典和深度学习AD模型进行了比较,结果表明,该架构具有最低的误报率,并在真实世界和合成数据中分别将精度提高了30%和16%。
2020-07-25 cs.LG stat.ML
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
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
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
On the Evolution of U.S. Temperature Dynamics
气候变化是一个巨大的多层面转变。特别是温度变化对城市化、农业、健康、生产力和贫困等方面具有重要影响。虽然许多研究都记录了上升的平均温度\emph{levels},我们也研究了基于范围的措施,每天的温度\emph{volatility}。具体而言,使用数据选择美国城市在过去的半个世纪,我们比较了平均温度水平,平均值和昼夜温度范围,DTR(每日最高和最低温度之间的差异)的演变时间序列动态。我们使用具有时变系数的线性模型来表征这两个序列的趋势性和季节性。这些简单而灵活的近似提供了证据,不断发展的DTR季节性和稳定的AVG季节性。
2021-01-06 econ.EM stat.AP
Developing an Unsupervised Real-time Anomaly Detection Scheme for Time Series with Multi-seasonality
University of Warwick(华威大学);South China University of Technology(华南理工大学);Research Institute of Worldwide Byte Information Security(环球字节信息安全研究院);University of Birmingham(伯明翰大学)
时间序列异常的在线检测是机器人系统监控、智能传感器网络和数据中心安全等各种事件敏感场景中的关键技术。然而,数据源的日益多样化和需求的多样性使这项任务比以往任何时候都更具挑战性。首先,未标记数据的快速增长意味着监督学习在许多情况下变得不太适合。其次,时间序列数据中有很大一部分具有复杂的季节性特征。第三,在线异常检测需要快速可靠。鉴于此,我们已经开发了一个预测驱动的,无监督的异常检测方案,它采用了骨干模型相结合的时间序列数据的分解和推理。此外,我们提出了一种新的度量,局部趋势不一致性(LTI),和一个有效的检测算法,计算LTI在一个实时的【形】方式和评分的每个数据点鲁棒的概率是异常的。我们已经进行了广泛的实验,以评估我们的算法与来自公共存储库和生产环境的几个数据集。实验结果表明,我们的计划优于现有的代表性异常检测算法在常用的度量,曲线下面积(AUC),同时达到预期的效率。
2021-04-23 cs.LG cs.SY eess.SY
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
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
Seasonal Count Time Series
计数时间序列在实践中被广泛遇到。与连续值数据一样,许多计数序列具有季节性。本文利用最近的进展,平稳计数时间序列开发一个通用的季节计数时间序列建模范例。该模型允许序列的任何边缘分布和最灵活的自相关性,包括负相关性。可以进行类似的推理方法,并且可以容易地容纳协变量。本文首先开发的建模方法,这需要一个离散变换的高斯过程具有季节动态。建立了这类模型的性质,并给出了参数估计的粒子滤波似然方法。一个模拟研究表明,该方法的有效性和应用程序的连续几周在西雅图,华盛顿州的雨天数。
2021-11-21 stat.ME
Forecasting of Multiple Seasonal Categorical Time Series Using Fourier Series with Application to AQI Data of Kolkata
Indian Statistical Institute(印度统计研究所)
本文提出利用傅里叶级数和指示函数建模多季节性分类时间序列,通过加尔各答AQI数据验证,提升了预测精度。
2026-03-04 stat.ME
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
A Spatio-Temporal Point Process Model for Ambulance Demand
救护车需求估计在精细的时间和位置尺度是车队管理和动态部署的关键。我们的动机是估计在加拿大多伦多的救护车需求的空间分布的问题,因为它在离散的2小时间隔的变化。这个大规模的数据集在所需的时间分辨率是稀疏的,并表现出特定位置的序列依赖性,每天和每周的季节性。我们通过引入一种新的时变高斯混合模型的表征来解决这些挑战。我们在所有时间段固定的混合成分分布,以克服数据稀疏性,准确地描述多伦多的空间结构,同时表示复杂的时空动态,通过随时间变化的混合权重。我们限制混合权重,以捕捉每周的季节性,并应用条件自回归先验的混合权重的每个组件,以代表特定位置的短期序列依赖性和每日的季节性。虽然估计可以使用一个固定数量的混合成分,我们也扩展到估计使用出生和死亡马尔可夫链蒙特卡罗的组件的数量。所提出的模型,以提供更高的统计预测精度,并减少多达三分之二的预测EMS的操作性能的误差相比,一个典型的行业实践。
2014-05-27 stat.AP
Mapping malaria seasonality: a case study from Madagascar
由于按蚊和疟原虫的生命周期对不断变化的环境条件作出反应,许多疟疾流行地区的病例发生率出现季节性波动。虽然大多数现有的疟疾季节性地图使用固定的降雨量,温度和/或植被指数的阈值,以确定合适的传输月份,我们开发了一个统计建模框架,直接从病例数据中提取的季节性模式的特点。该程序涉及一个时空回归模型,用于估计年度病例总数的月度比例,以及一种算法,用于确定与业务相关的特征,如传输开始和高峰月份。季节性指数结合了月比例估计数和现有的年度病例发病率估计数,以提供一个总结,“如何季节性”的位置是相对于他们的周围环境。过去季节性绘图工作的一个进步是与每张地图相关的不确定性的呈现,这将使决策者能够做出更合理的统计决策。该方法说明使用卫生设施的数据从马达加斯加。
2019-05-17 stat.AP stat.ME
Short- and long-term forecasting of electricity prices using embedding of calendar information in neural networks
电价在很大程度上取决于不同时间尺度的季节性,因此任何电价预测都必须考虑到这一点。神经网络在短期电价预测方面已被证明是成功的,但LSTM等复杂架构被用于整合季节性行为。本文表明,简单的神经网络架构,如DNN与季节性信息的嵌入层可以生成一个有竞争力的预测。日历信息的基于嵌入的处理还为神经网络在电力交易中开辟了新的应用,例如生成价格远期曲线。除了理论基础,本文还提供了德国电力市场的实证多年的研究,这两个应用程序,并从嵌入层得出经济见解。研究表明,在短期价格预测中,具有嵌入层的拟议神经网络的平均绝对误差优于LSTM和时间序列基准模型,甚至略优于我们的最佳基准模型,具有复杂的超参数优化。结果得到了使用Friedman和Holm检验的统计分析的支持。
2022-02-02 stat.AP
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
How Much Can A Retailer Sell? Sales Forecasting on Tmall
Ant Financial Services Group(蚂蚁金融服务集团)
时间序列预测是学术界和工业界的一项重要研究课题,它可以用来解决许多实际的预测问题,如股票,供水和销售预测。本文研究了零售商在天猫上的销售预测案例|全球领先的在线B2C平台。通过分析数据,我们有两个主要的观察结果,即,在我们将不同的零售商分组后,销售季节性和在我们转换销售(目标到预测)后的Tweedie分布。根据我们的观察,我们设计了两种销售预测机制,即,季节性提取和分布变换。首先,我们采用傅立叶分解自动提取的季节性为不同类别的零售商,这可以进一步被用作任何既定的回归算法的附加功能。其次,我们建议优化对数变换后的Tweedie销售损失。我们将这两种机制应用于经典的回归模型,即,神经网络和梯度提升决策树,并在天猫数据集上进行实验,结果表明两种机制都能显著提高预测结果。
2020-02-27 cs.LG stat.AP stat.ML
Ensembles of Randomized NNs for Pattern-based Time Series Forecasting
Częstochowa University of Technology(琴希托霍瓦工业大学)
在这项工作中,我们提出了一个集成预测方法的基础上随机神经网络。改进的随机学习通过根据数据和目标函数特征生成网络参数来简化个体学习器的拟合能力。一个基于模式的时间序列表示,使所提出的方法适用于预测时间序列的多个季节性。我们提出了六个策略来控制合奏成员的多样性。对四个实际预报问题进行的案例研究验证了所提出的集合预报方法的有效性和优越性能。它在预测准确性方面优于统计模型以及最先进的机器学习模型。所提出的方法具有几个优点:快速和容易的训练,结构简单,易于实现,高精度和处理非平稳性和多个季节性的时间序列的能力。
2021-07-08 cs.LG stat.ML
Two-Stage Framework for Seasonal Time Series Forecasting
MIT Operations Research Center(麻省理工学院运筹学研究中心);MIT Laboratory for Financial Engineering(麻省理工学院金融工程实验室);Machine Intelligence Technology, Alibaba Group(阿里巴巴集团机器智能技术部)
季节性时间序列的预测仍然是一个具有挑战性的问题,由于长期依赖于季节性。在本文中,我们提出了一个两阶段的框架来预测单变量季节性时间序列。第一阶段明确地学习超出预测范围的时间窗口中的长期时间序列结构。通过结合学习的长期结构,第二阶段可以提高预测范围内的预测精度。在这两个阶段中,我们将自回归模型与神经网络相结合,以捕捉时间序列中的线性和非线性特征。我们的框架在M4竞赛小时数据集上实现了最先进的性能。特别是,我们表明,将第一阶段产生的中间结果,现有的预测模型,可以有效地提高其预测性能。
2021-03-03 cs.AI cs.LG stat.AP
BASTION: A Bayesian Framework for Trend and Seasonality Decomposition
Cornell University(康奈尔大学)
BASTION是一种基于贝叶斯方法的时序分解框架,能够准确估计趋势和季节性,增强鲁棒性并提供稳健的不确定性量化。
2026-01-26 econ.GN q-fin.EC stat.ME
Deep Particulate Matter Forecasting Model Using Correntropy-Induced Loss
Yonsei University(延世大学)
韩国的颗粒物(PM)浓度对人类生活产生了强烈的负面影响,因此对其进行预测已成为当务之急。在大多数统计或机器学习方法中,假设独立和相同分布的数据,例如高斯分布;然而,空气污染和天气数据等时间序列不满足此假设。本研究应用最大相关熵回归损失准则(MCCR)分析大气污染与天气资料的统计特性。由于空气污染和天气数据具有复杂的季节性模式,而且即使在去季节化之后数据仍具有重尾分布,因此对它们进行了严格的季节性调整。MCCR损失被应用于多个模型,包括传统的统计模型和最先进的机器学习模型。结果表明,MCCR损失比传统的均方误差损失更适合于预测极值。
2021-08-30 cs.LG stat.AP stat.ML
Changepoint Detection in Categorical Time Series with Application to Daily Total Cloud Cover in Canada
University of Louisiana at Lafayette(路易斯安那大学拉斐特分校);Virginia Commonwealth University(弗吉尼亚联邦大学);Climate Research Division, Science and Technology Branch, Environment and Climate Change Canada(加拿大环境与气候变化部科技处气候研究司)
本文提出了一种边际过渡模型,用于检测周期性和序列相关类别时间序列中的单个突变点,通过马尔可夫链捕捉序列依赖性,并利用最大似然估计方法提高计算效率,以检测类别时间序列中的突然变化。
2026-05-20 stat.AP stat.CO stat.ME
A Novel Algorithm for Optimized Real Time Anomaly Detection in Timeseries
数据中与其相邻点显著不同但不能归类为噪声的观测值被称为异常或离群值。这些异常现象令人担忧,及时警告它们的存在可能是有价值的。在本文中,我们已经评估和比较流行的算法的性能,从领域的机器学习和统计检测异常的离线数据以及实时数据。我们的目标是提出一种算法,它可以有效地处理所有类型的季节性和非季节性数据,并且速度足够快,实时具有实用价值。它不仅是重要的,以检测异常在全球,但也是异常,由于其局部环境。这种异常值可以被称为上下文异常,因为它们从相邻的观察中获得它们的上下文。此外,我们需要一种方法来自动确定给定数据中是否存在季节性。为了检测季节性,该算法采用了曲线拟合的方法,而不是基于模型的异常检测。该模型还引入了一个独特的过滤器,该过滤器评估局部离群值的相对重要性,并删除被认为是无关紧要的。由于所提出的模型在时间序列数据的桶中拟合多项式,因此与其统计替代方案(如ARIMA,SARIMA和Winter Holt)相比,它不会出现异方差和爆发等问题。实验结果表明,该算法在实时数据集和人工生成的数据集上都有更好的性能。
2020-06-07 stat.AP
NonSTOP: A NonSTationary Online Prediction Method for Time Series
University of Washington(华盛顿大学);Microsoft(微软)
我们提出了在线预测方法的时间序列,让我们明确地处理非平稳的文物(如趋势和季节性)存在于最真实的时间序列。具体来说,我们表明,应用适当的变换,这样的时间序列预测之前,可以导致改进的理论和经验预测性能。此外,由于这些转换通常是未知的,我们采用学习与专家设置开发一个完全在线的方法(NonSTOP-NonSTationary Online Prediction)预测非平稳时间序列。该框架考虑了单变量时间序列中的季节性和/或其他趋势以及多变量时间序列中的协整。我们的算法和遗憾分析继承了最近的相关工作,同时显着扩展了这些方法的适用性。对于所有的方法,我们提供了次线性遗憾界使用宽松的假设。理论上的保证并没有完全捕捉到转换的好处,因此我们提供了一个数据依赖的分析,跟随领导者算法,提供了洞察使用这种转换的成功。我们支持我们所有的模拟和真实数据的实验结果。
2018-08-26 cs.LG stat.ML
On the spatial and temporal shift in the archetypal seasonal temperature cycle as driven by annual and semi-annual harmonics
需要用统计方法来评估和量化气候变化中陆地和海洋表面温度等环境过程的不确定性。通常,年度谐波用于表征季节性温度周期的变化。然而,气候季节周期的一个经常被忽视的特征是半年谐波,它可以解释季节周期方差的很大一部分,并且在空间上的振幅和相位各不相同。总之,一年和半年谐波的空间变化可以在驱动与季节性相关的过程中发挥重要作用(例如,生态和农业)。我们提出了一个多变量的时空模型来量化的空间和时间变化的最低和最高温度的季节性周期的函数的年度和半年谐波。我们的方法捕捉空间依赖性,时间动态,和多变量依赖这些谐波通过空间和时间变化的系数。我们将该模型应用于1979年至2018年北美的最低和最高温度。贝叶斯范式内的正式模型推理,使识别区域经历显着变化的最低和最高温度的季节性周期,由于在两个谐波的变化的相对影响。
2020-03-15 stat.AP
RSM-GAN: A Convolutional Recurrent GAN for Anomaly Detection in Contaminated Seasonal Multivariate Time Series
North Carolina State University(北卡罗来纳州立大学);Intuit Inc.(财捷公司)
强大的异常检测是监控复杂的现代系统的一项要求,这些系统具有网络安全、欺诈预防和维护等应用。这些系统生成多个相关的时间序列,这些时间序列具有高度的季节性和噪声。本文提出了一种用于多变量时间序列异常检测的新型无监督深度学习架构,称为鲁棒季节性多变量生成对抗网络(RSM-GAN)。它扩展了GANs的最新进展,采用了卷积LSTM层和注意力机制来产生最先进的性能。我们进行了大量的实验,以证明我们的架构在调整复杂的季节性模式和处理严重的训练数据污染水平的实力。我们还提出了一个新的异常分数分配和因果推理框架。我们将RSM-GAN与现有的经典和基于深度学习的异常检测模型进行了比较,结果表明,我们的架构具有最低的误报率,并且在真实世界和合成数据中分别将精度提高了30%和16%。此外,我们报告了RSM-GAN在所有数据设置中准确识别根本原因和NAB评分方面的优越性。
2019-11-16 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
Cointegration of SARS-CoV-2 Transmission with Weather Conditions and Mobility during the First Year of the COVID-19 Pandemic in the United States
天气与SARS-CoV-2传播之间的相关性可能表明其季节性。协整分析可以避免时间序列数据之间的虚假相关。我们研究了美国大流行第一年期间病毒传播与每日温度、露点和流动性测量的混杂因素的协整。我们研究了病毒有效繁殖率Rt与两米处的露点、两米处的温度、苹果驾驶移动性和谷歌工作场所移动性测量的协整。我们发现,露点和苹果驱动的移动性是最好的因素与Rt的共整合,虽然温度和谷歌工作场所的移动性也与Rt在很大程度上共整合。我们发现,最佳的滞后是两天的协整之间的Rt和天气变量,和三天的Rt和流动性。我们观察到集群的状态,共享相似的协整结果的Rt,天气和流动性,这表明区域模式。我们的研究结果支持天气与SARS-CoV-2传播的相关性及其潜在的季节性。
2022-03-31 q-bio.PE stat.AP
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
Time-Varying Multi-Seasonal AR Models
Stockholm University(斯德哥尔摩大学);University of New South Wales(新南威尔士大学);Data Analytics Center for Resources and Environments (DARE)(资源与环境数据分析中心)
本文提出了一种具有时间变化参数的多季节自回归模型,采用动态收缩过程建模时间演变,并利用扩展卡尔曼滤波器改进采样方法,用于分析工业生产数据中的季节性变化。
2025-12-29 stat.ME
Seasonal false alarms in customer churn and decline early-warning systems: adjacent-window labels confound seasonality with decline, and a year-over-year correction
Field Nation LLC(菲尔德国有限责任公司)
该研究针对客户流失预警系统的季节性误报问题,提出将基线对齐到前一年相同k个日历月的同比修正方法,可提升ROC-AUC并减少行动清单规模。
2026-08-20 cs.LG stat.AP stat.ME
Calibration and filtering for multi factor commodity models with seasonality: incorporating panel data from futures contracts
我们研究了一个通用的多因子模型的商品现货价格和期货估价。本文对Schwartz和Smith(2000)及Yan(2002)的多因素多空模型进行了两个重要方面的扩展:首先,我们考虑了长期和短期动态因素的均值回复,并加入了随机波动率因素;然后,Milstein离散化的非线性随机波动率状态空间表示的模型,允许在观察方程的期货和期权合约。然后,我们开发了一个先进的顺序蒙特卡罗算法的基础上,利用粒子马尔可夫链蒙特卡罗进行校准的模型与过滤的潜在过程的长期-短期的动态和波动性因素的数值方法。在这方面,我们探索和开发一种新的方法的基础上,自适应Rao-Blackwellised版本的粒子马尔可夫链蒙特卡罗方法。在这样做时,我们准确地处理非线性的状态空间模型,因此引入到过滤框架。我们对石油商品的合成和真实数据进行分析。
2011-05-30 q-fin.CP q-fin.ST stat.CO
Modeling Daily Seasonality of Mexico City Ozone using Nonseparable Covariance Models on Circles Cross Time
墨西哥城跟踪地面臭氧水平,以评估遵守国家环境空气质量标准的情况,并预防环境卫生紧急情况。臭氧水平显示出不同的日常模式,在城市内,并在一年中。为了对这些数据进行建模,我们使用空间、循环时间和线性时间的协方差模型。我们回顾现有的模型,并开发新的类的不可分离的协方差模型,这种类型的模型适合于在许多地方收集的准周期性数据。通过这些协方差模型,我们使用最近邻高斯过程来预测4月和5月臭氧高峰季节未观测到的地点的每小时臭氧水平,以推断墨西哥空气质量标准的遵守情况,并估计与臭氧相关的呼吸系统健康风险。对空气质量标准的预测遵守情况和估计的呼吸健康风险在空间和时间上有很大差异。在某些地区,我们预计在4月和5月超过三分之一的时间内将遵守国家标准。在许多天里,我们预测几乎所有的墨西哥城超过国家立法的臭氧阈值至少一次。在高峰地区,我们估计臭氧的呼吸风险平均比年平均风险高55%,在某些日子高出170%。
2018-07-15 stat.AP stat.ME
Seasonal and Periodic Patterns in US COVID-19 Mortality using the Variable Bandpass Periodic Block Bootstrap
本研究提出VBPBB自举法,通过滤波减少干扰,准确估计美国COVID-19死亡率的季节性和周期相关成分,证实季节性模式存在,为未来疫情应对提供预测依据。
2024-03-10 stat.AP stat.ME
Time-Varying Multi-Seasonal ARMA Models
Stockholm University(斯德哥尔摩大学);University of New South Wales(新南威尔士大学);Data Analytics Center for Resources and Environments (DARE)(资源与环境数据分析中心)
本文提出时变多季节ARMA模型,基于动态收缩过程控制参数演化,开发含扩展卡尔曼滤波的吉布斯采样器,经模拟与真实数据验证,发现美国航空客运疫情期间季节性显著变化。
2026-08-13 stat.ME
Parameter Estimation and Seasonal Modification of the Fractional Poisson Process with Application to Vorticity Extremes over the North Atlantic
Department of Statistics, TU Dortmund University, Germany(多特蒙德工业大学统计学系)
本文提出基于量化距离最小化的分数泊松过程参数估计方法,并引入季节性修正以提升其在气象学中的应用性,通过分析大西洋北侧相对涡度极值的返回时间验证了方法有效性。
2026-06-25 stat.AP stat.ME
Testing For Global Covariate Effects in Dynamic Interaction Event Networks
本研究针对统计网络分析中的交互数据,将协变量分为全局与局部两类,扩展现有连续时间网络模型以对比全参数模型和含全局非参数时间分量的模型,可检验全局时间动态能否被简单全局协变量解释,并在共享单车网络中完成验证。
2023-06-15 math.ST stat.ME stat.TH