xPatch: Dual-Stream Time Series Forecasting with Exponential Seasonal-Trend Decomposition
Korea Advanced Institute of Science and Technology (KAIST)(韩国科学技术院);INEEJI
针对Transformer在时间序列预测中挖掘时间关系的挑战,提出xPatch双流架构,结合季节-趋势指数分解模块、MLP线性流与CNN非线性流,辅以反正切损失和Sigmoid学习率调整,提升预测性能。
2025-02-11 cs.AI cs.LG
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
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
Trend-Adjusted Time Series Models with an Application to Gold Price Forecasting
本文提出TATS模型,通过趋势调整提升时间序列预测精度,应用于黄金价格预测并优于LSTM和Bi-LSTM模型。
2026-01-27 cs.LG
Modelling spatio-temporal trends of air pollution in Africa
African Institute for Mathematical Sciences(非洲数学科学研究所);Institute of Applied Statistics, University of Burundi(布隆迪大学应用统计研究所);Ecole Normale Superieur de Bujumbura(布琼布拉高等师范学院)
大气污染物仍然是全世界主要的公共健康威胁之一,估计每年有700万人死亡。在非洲,迅速的城市化和落后的交通基础设施使这一问题更加严重。在本文中,我们分析了非洲不同地理区域PM2.5的时空变化。西非区域仍然是受高污染影响最严重的区域,拉各斯、阿布贾和巴马科等一些城市的日平均污染量为40.856 $μg/m^3$。在东非,乌干达报告的污染程度最高,日平均浓度为56.14 $μg/m^3$,基加利为38.65 $μg/m^3$。在非洲中部地区的国家中,恩贾梅纳的PM2.5日平均浓度最高,为90.075 $μg/m^3$。我们比较了三种数据驱动模型在预测未来污染程度趋势方面的作用。神经网络优于高斯过程和ARIMA模型。
2022-08-21 cs.LG physics.ao-ph
TSAX is Trending
Coventry University(考文垂大学)
时间序列数据普遍存在,在许多领域有着广泛的应用,因此时间序列挖掘是数据采掘的一个重要分支。时间序列挖掘的主要任务是分类。时间序列表示方法在时间序列分类和其他时间序列挖掘任务中起着重要作用。时间序列数据最流行的表示方法之一是符号聚集近似(SAX)。其受欢迎背后的秘密是它的简单性和效率。然而,SAX有一个主要的缺点,那就是它不能表示趋势信息。已经提出了几种方法来使SAX能够捕获趋势信息,但这是以复杂的处理、预处理或后处理过程为代价的。在本文中,我们提出了一个新的修改的SAX,我们称之为趋势SAX(TSAX),它只增加了最小的复杂性,但大大提高了其性能的时间序列分类。这在50个数据集上得到了实验验证。结果表明,我们的方法的优越性能,因为它给出了一个较小的分类错误39个数据集相比,SAX。
2021-12-24 cs.LG
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
Meteorological time series forecasting based on MLP modelling using heterogeneous transfer functions
University of Corsica(科西嘉大学);CNRS(法国国家科学研究中心);University of Galatasaray(加拉塔萨雷大学)
在本文中,我们建议研究四个气象和季节性的时间序列加上多层感知器(MLP)建模。我们选择将隐藏层节点的两个传递函数结合起来,并使用时间指示符(时间索引作为输入),以考虑所研究时间序列的季节性。预测的结果涉及两年的测量和学习步骤,八个独立的年份。我们表明,这种方法可以提高气象数据估计的准确性相比,一个经典的MLP建模具有均匀的传递函数。
2014-04-29 cs.LG
A Novel Trend Symbolic Aggregate Approximation for Time Series
Hohai University(河海大学);Arizona State University(亚利桑那州立大学)
符号聚集近似(SAX)是时间序列数据采掘中的一种经典符号方法。然而,SAX只反映了段均值特征,而遗漏了段中的重要信息,即段中价值变化的趋势。在某些情况下,这种错过可能会导致错误的分类,因为SAX表示无法区分具有相似平均值但不同趋势的不同时间序列。在本文中,我们提出的趋势特征符号聚集近似(TFSAX)来解决这个问题。首先,我们利用分段聚集近似(PAA)的方法来降低维数和离散化的平均值的每一段的SAX。其次,利用趋势距离因子和趋势形状因子提取每段数据的趋势特征;然后,设计多分辨率符号映射规则,将趋势信息离散化为符号。我们还提出了一种改进的距离测量,通过将SAX距离与加权趋势距离相结合。我们表明,我们的距离测量有一个更严格的下界的欧氏距离比原来的SAX。不同时间序列数据集上的实验结果表明,我们提出的表示显着优于原来的SAX表示和改进的SAX表示分类。
2019-05-01 cs.DM cs.LG
On the balance between the training time and interpretability of neural ODE for time series modelling
NSS Lab(NSS实验室);ITMO University(圣彼得堡国立信息技术机械与光学大学)
大多数机器学习方法都被用作建模的黑盒。我们可以尝试从基于物理的训练方法中提取一些知识,例如神经ODE(常微分方程)。神经ODE的优势,如一个可能更高类别的代表功能,扩展的解释能力相比,黑箱机器学习模型,能够描述趋势和本地行为。这些优势对于具有复杂趋势的时间序列尤其重要。然而,与广泛用于数据驱动时间序列建模的自回归模型和长短期记忆(LSTM)网络相比,已知的缺点是训练时间长。因此,我们应该能够平衡可解释性和训练时间,以将神经ODE应用于实践。本文表明,现代神经ODE不能减少到更简单的模型的时间序列建模应用。神经ODE的复杂性相比,或超过传统的时间序列建模工具。唯一可以提取的解释是算子的本征空间,这是一个大系统的不适定问题。可以使用不同的经典分析方法提取光谱,这些方法没有延长时间的缺点。因此,我们减少了神经ODE到一个更简单的线性形式,并提出了一个新的观点,时间序列建模结合神经网络和ODE系统的方法。
2022-06-07 cs.LG math.CA
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
Automatic deep learning for trend prediction in time series data
最近,深度神经网络(DNN)算法已经被探索用于预测时间序列数据中的趋势。在许多实际应用中,时间序列数据是从动态系统中捕获的。DNN模型必须在更新和重新训练时提供稳定的性能,因为新的观察结果可用。在这项工作中,我们将探讨使用自动机器学习技术来自动化趋势预测的算法选择和超参数优化过程。我们展示了最近的AutoML工具,特别是HpBandSter框架,可以有效地用于自动化DNN模型开发。我们的AutoML实验发现了最佳配置,这些配置产生的模型与在四个数据集的手动实验中发现的配置的平均性能和稳定性水平相比非常好。
2020-09-17 cs.LG eess.SP
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
CoST: Contrastive Learning of Disentangled Seasonal-Trend Representations for Time Series Forecasting
Salesforce Research Asia(赛富时亚洲研究院);Singapore Management University(新加坡管理大学)
深度学习已经被积极研究用于时间序列预测,主流范式是基于神经网络架构的端到端训练,从经典的LSTM/RNN到最近的TCN和Transformers。受最近计算机视觉和自然语言处理中表示学习的成功的启发,我们认为时间序列预测的一个更有前途的范式是首先学习解纠缠的特征表征,然后是一个简单的回归微调步骤-我们从因果关系的角度来证明这样的范式。遵循这一原则,我们提出了一个新的时间序列表示学习框架的时间序列预测命名成本,它采用对比学习方法来学习解开的季节趋势表示。成本包括时域和频域对比损失,分别学习判别趋势和季节表示。在真实世界数据集上的大量实验表明,成本始终优于国家的最先进的方法相当大的利润,实现了21.3%的改进MSE多变量基准。它还对骨干编码器的各种选择以及下游回归器具有鲁棒性。代码可在https://github.com/salesforce/CoST上获得。
2022-05-05 cs.LG
Joint Time Series Chain: Detecting Unusual Evolving Trend across Time Series
Department of Computer Science, George Mason University(乔治·马歇尔大学计算机科学系);TD Analytics and Technology Automation, Intel Corporation(英特尔公司技术分析与自动化部门)
本文提出联合时间序列链方法,用于在中断或相关时间序列中检测异常演变趋势,并通过实验验证其有效性。
2026-02-14 cs.LG
First De-Trend then Attend: Rethinking Attention for Time-Series Forecasting
UC San Diego(加州大学圣地亚哥分校);AWS AI Labs(亚马逊云科技人工智能实验室);AWS(亚马逊云科技)
近年来,基于变换的模型在长期时间序列预测中得到了广泛的应用,并显示出良好的效果。除了在时域中学习注意力之外,最近的工作还探索了在频域中学习注意力(例如,傅立叶域、小波域),因为在这些域中可以更好地捕获季节模式。在这项工作中,我们试图了解在不同的时间和频率域的注意力模型之间的关系。理论上,我们证明了不同领域的注意力模型在线性条件下是等价的(即,注意力分数的线性内核)。在实证方面,我们分析了不同领域的注意力模型如何表现出不同的行为,通过各种合成实验与季节性,趋势和噪音,重点是softmax操作中的作用。这些理论和实证分析促使我们提出了一种新的方法:TDformer(趋势分解Transformer),首先应用季节趋势分解,然后添加组合的MLP预测的趋势分量与傅立叶注意预测的季节分量,以获得最终的预测。在基准时间序列预测数据集上的大量实验表明,TDformer相对于现有的基于注意力的模型实现了最先进的性能。
2022-12-15 cs.LG
Multi-Task Time Series Analysis applied to Drug Response Modelling
University of Edinburgh(爱丁堡大学);The Alan Turing Institute(艾伦·图灵研究所);NHS Greater Glasgow and Clyde(英国国家医疗服务体系大格拉斯哥和克莱德分部)
时间序列模型(如动态系统)经常被拟合到一组数据中,忽略了个体实体(如患者)之间的变化。在本文中,我们将展示如何通过使用多任务学习(MTL)将这些模型个性化到个人水平,同时保留统计能力。据我们所知,这是一个新的发展MTL适用于时间序列和无控制输入。的建模框架上表现出的生理药物反应的问题,从而提高了预测精度和不确定性估计超过现有的国家的最先进的模型。
2019-03-21 cs.LG stat.ML
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
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
Bushfire Severity Modelling and Future Trend Prediction Across Australia: Integrating Remote Sensing and Machine Learning
Central Queensland University(中央昆士兰大学);Eastern University Sri Lanka(斯里兰卡东部大学)
本研究结合遥感数据与XGBoost机器学习模型,基于12年澳大利亚林火数据实现86.13%的严重程度预测准确率,识别高风险区域并提出无人机集群协同的未来研究方向,为澳火灾管理提供数据支撑。
2024-09-18 cs.CY cs.LG
Approximation Theory of Convolutional Architectures for Time Series Modelling
National University of Singapore(新加坡国立大学);Peking University(北京大学);Institute of High Performance Computing, A*STAR(A*STAR高性能计算研究所)
我们研究了应用于时间序列建模的卷积架构的近似特性,这可以在数学上表述为函数近似问题。在经常性的设置,最近的结果揭示了一个复杂的近似效率和内存结构之间的连接在数据生成过程中。在本文中,我们推导出卷积架构的并行结果,WaveNet就是一个很好的例子。我们的研究结果表明,在这种新的设置,近似效率的特点不仅是内存,但也在目标关系的额外的精细结构。这导致了基于频谱的规律性的新定义,该定义测量了卷积近似方案下时间关系的复杂性。这些分析为理解时间序列建模的架构选择之间的差异提供了基础,并可以为实际应用提供理论依据的指导。
2021-07-20 cs.LG stat.ML
A Stochastic Time Series Model for Predicting Financial Trends using NLP
University of California, Irvine(加州大学欧文分校);California State University, Los Angeles(加州州立大学洛杉矶分校)
股票价格预测是一个非常复杂和非常重要的研究领域。深度神经网络技术的最新进展使研究人员能够开发高度准确的模型来预测金融趋势。我们提出了一种新的深度学习模型,称为ST-GAN或随机时间序列生成对抗网络,它分析金融新闻文本和金融数值数据来预测股票趋势。我们利用生成对抗网络(GAN)等尖端技术来学习文本和数字数据之间的相关性。我们开发了一种新的方法来训练一个时间序列GAN直接使用学习表示的朴素贝叶斯的情绪分析的金融文本数据以及技术指标从数值数据。我们的实验结果表明,与现有的各种模型和之前对股票价格预测的深度神经网络的研究相比,有了显着的改进。
2021-02-02 cs.LG q-fin.CP
DecoVAE: a Lightweight Interpretable Trend-Seasonal VAE Framework for Efficient Probabilistic Time Series Forecasting
Applied AI Institute(应用人工智能研究所)
DecoVAE是一种轻量级可解释的趋势-季节VAE框架,通过分解时间序列的趋势与季节组件解决概率时间序列预测的局限,在7个真实基准上精度优于基线且效率显著提升。
2026-09-28 cs.LG
DeepTrend: A Deep Hierarchical Neural Network for Traffic Flow Prediction
Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);University of Chinese Academy of Sciences(中国科学院大学);Tsinghua University(清华大学)
本文考虑交通流时间序列中的时间模式,实现了一种用于交通流预测的深度学习模型。基于去趋势的方法将原始流量序列分解为趋势序列和残差序列,其中趋势描述了流量的固定时间模式,残差序列用于预测。受去趋势方法的启发,我们提出了DeepTrend,一种用于交通流预测的深层神经网络,它考虑并提取时变趋势。DeepTrend有两个堆叠层:提取层和预测层。提取层是一个全连通层,通过将原始流量序列与相应的简单平均趋势序列串联起来,提取流量的时变趋势。预测层是一个LSTM层,用于通过从提取层的输出和计算的残差序列中提供所获得的趋势来进行流量预测。为了使模型更有效,DeepTrend首先需要逐层进行预训练,然后在整个网络中进行微调。实验表明,与一些传统的预测模型和基于去趋势方法的LSTM相比,DeepTrend可以显着提高预测性能。
2017-07-11 cs.LG
Few-Shot Learning Patterns in Financial Time-Series for Trend-Following Strategies
Oxford-Man Institute(牛津-曼研究所);University of Oxford(牛津大学)
本文提出少样本趋势跟踪模型X-Trend,通过交叉注意力从历史市场状态中迁移趋势模式,实现快速适应新市场状态,在2018-2023年动荡期显著提升夏普比率并加速从回撤中恢复。
2024-03-28 cs.LG q-fin.PM q-fin.TR
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
Wavelet-based clustering for time-series trend detection
Keley Data
在本文中,我们介绍了一种方法进行聚类的时间序列的基础上,他们的趋势(增加,停滞/减少,和季节性行为)。使用$k$ -均值方法对通过离散小波变换获得的系数进行聚类,大幅降低了维数。该方法应用于一个用例的聚类的864个每日销售收入的时间序列为61个零售商店。不同的母小波的结果。每个小波系数和它的水平的重要性进行了讨论,由于主成分分析以及从选定的小波系数的信号的重建。
2020-11-17 cs.CV cs.LG eess.SP
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
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
Effective Series Decomposition and Components Learning for Time Series Generation
School of Engineering and Applied Science, University of Pennsylvania(工程与应用科学学院,宾夕法尼亚大学);Viterbi School of Engineering, University of Southern California(工程学院,南加州大学)
提出STDiffusion框架,结合扩散概率模型与可学习序列分解技术,通过MLP和自适应小波蒸馏分别学习趋势与季节性,并设计校正机制保证组件一致性,在八个真实数据集上达到SOTA。
2025-11-02 cs.LG
Oscillators Are All You Need: Irregular Time Series Modelling via Damped Harmonic Oscillators with Closed-Form Solutions
Department of Physics(物理系);Ashoka University(阿什oka大学);Department of Computer Science(计算机科学系)
本文提出利用阻尼谐振子替代传统ODEs,通过正弦基扩展查询,实现不规则时间序列建模,理论证明其具备通用逼近性并提升效率。
2026-05-12 cs.LG
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
Universal hidden monotonic trend estimation with contrastive learning
EthiFinance;Safran
本文提出对比学习方法CTE,用于从时间序列数据中提取潜在单调趋势因子,适用于多种数据类型,通过实验验证其有效性。
2026-04-16 cs.LG
Delay-SDE-net: A deep learning approach for time series modelling with memory and uncertainty estimates
University of Oslo(奥斯陆大学)
对时间序列进行准确建模在很多领域都具有重要意义。由于世界通常过于复杂而无法精确建模,因此评估动力系统处于特定状态的概率通常是有意义的。提出了一种基于随机延迟微分方程的神经网络模型--延迟神经网络。使用具有多个延迟的SDDE作为建模框架使其成为具有记忆效应的时间序列的合适模型,因为它包括对系统先前状态的记忆。延迟神经网络的随机部分为建模中估计不确定性提供了基础,并被分成两个神经网络来解释任意和认知的不确定性。不确定性是即时提供的,使模型适用于时间稀疏的应用。我们推导出了延迟网络的理论误差,并数值分析了其收敛速度。与同类模型相比,延迟神经网络在预测时间序列值和不确定性方面始终具有最佳性能。
2023-03-14 cs.LG math.ST stat.ML
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
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
SeqLink: A Robust Neural-ODE Architecture for Modelling Partially Observed Time Series
RMIT University(皇家墨尔本理工大学);University of New South Wales(新南威尔士大学)
本文提出 SeqLink 神经 ODE 架构,通过链接多个样本的潜在表征来建模未观测值,从而提升不同稀疏度和序列长度下部分观测时间序列的鲁棒性,并在合成与真实数据集上优于现有方法。
2024-08-05 cs.LG
TA-SparseMG: Trend-Aware Sparse Forecasting via Multi-Scale Gating for Long-Term Time Series
School of Mathematical Sciences, Guizhou Normal University(贵州师范大学数学科学学院);School of Big Data and Computer Science, Guizhou Normal University(贵州师范大学大数据与计算机科学学院)
提出TA-SparseMG轻量级模型,结合趋势感知归一化、尺度自适应门控去噪和多尺度门控注意力MLP模块,解决长期时间序列预测中的非平稳性、高频干扰和跨周期依赖问题,在多个基准上取得稳定优异性能。
2026-06-29 cs.LG
Taylorformer: Probabilistic Modelling for Random Processes including Time Series
University of Cambridge(剑桥大学);British Antarctic Survey(英国南极调查局)
提出Taylorformer用于时间序列等随机过程的概率建模,结合LocalTaylor wrapper和MHA-X attention block,在多数Neural Process任务及预测任务上超越SOTA并提供不确定性感知预测。
2024-09-23 cs.LG
Explainable nonlinear modelling of multiple time series with invertible neural networks
University of Agder(阿格德大学)
提出了一种非线性拓扑辨识方法,该方法基于以下假设:时间序列的集合由两个步骤生成:i)潜在空间中的向量自回归过程; ii)非线性、分量、单调增加的观测映射。后一种映射被假设为可逆的,并被建模为浅层神经网络,因此可以对它们的逆进行数值计算,并且可以使用深度学习中启发的技术来学习它们的参数。由于函数反演,反向传播步骤并不简单,本文解释了应用隐式微分计算梯度所需的步骤。虽然模型的解释能力是相同的线性VAR过程,初步的数值试验表明,预测误差变得更小。
2021-07-01 cs.LG eess.SP
4TaStiC: Time and trend traveling time series clustering for classifying long-term type 2 diabetes patients
Department of Mathematics, King Mongkut’s University of Technology Thonburi(朱拉隆功科技技术大学唐奔尼分校数学系)
提出4TaStiC时间序列聚类算法,通过融合欧几里得距离与Pearson相关性同时刻画水平和趋势差异,在人工数据上优于七种方法,并有效聚类1,989名2型糖尿病患者。
2025-05-12 cs.CY cs.LG
Universal randomised signatures for generative time series modelling
University Munich(慕尼黑大学);Imperial College London(伦敦帝国学院)
本文提出基于离散时间随机签名的新型 Wasserstein 型距离,并以通用逼近结果支撑其用于度量条件分布,进而训练基于储层神经 SDE 的非对抗金融时间序列生成模型。
2024-09-06 cs.LG q-fin.MF stat.ML
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
Modelling Neuronal Behaviour with Time Series Regression: Recurrent Neural Networks on C. Elegans Data
INESC-ID(INESC-ID(里斯本高等工程系统与计算机研究所));IST Tecnico Lisboa(里斯本高等理工学院);Universidade de Lisboa(里斯本大学)
考虑到人类神经系统的内在复杂性,我们可以通过了解更小更简单的生物体(如线虫C.优雅。这些生物的行为和结构生物学是众所周知的,使它们成为基准建模和模拟技术的主要候选者。在这些复杂的神经元集合中,基于内在结构或行为信息的经典白盒建模技术要么无法捕获神经元响应对不同刺激的深刻非线性,要么生成计算上难以处理的极其复杂的模型。在本文中,我们展示了如何C。可以使用不同的神经网络架构,用数据驱动模型对Elegans进行建模和模拟。具体来说,我们的目标是使用最先进的循环神经网络架构,如LSTM和GRU,并比较这些架构的属性和准确性以及所产生的模型的复杂性。我们表明,GRU模型的隐藏层大小为4个单位能够准确地再现系统的反应非常不同的刺激,具有高精度。
2021-07-01 cs.LG q-bio.NC q-bio.QM
Data-driven detrending of nonstationary fractal time series with echo state networks
SAPIENZA University of Rome(罗马第一大学);University of Tromsø - The Arctic University of Norway(特罗姆瑟大学-挪威北极大学);University of Exeter(埃克塞特大学);Ryerson University(瑞尔森大学)
在本文中,我们提出了一种新的数据驱动的方法来消除趋势(去趋势)的非平稳,分形和多重分形时间序列。我们考虑实值时间序列相对于一个基本的动态系统,通过时间演变的测量。我们假设这样的动态过程是可预测的,在一定程度上通过一类经常性的网络称为回声状态网络(ESN),这是能够模拟一个通用的动态过程。为了隔离叠加(多)分形感兴趣的组成部分,我们定义了一个数据驱动的过滤器,利用ESN预测能力,以确定给定的输入时间序列的趋势分量。具体而言,(估计)的趋势是从原始时间序列和残留信号进行分析与多重分形去趋势波动分析程序,以验证去趋势程序的正确性。为了证明所提出的技术的有效性,我们考虑了几个合成的时间序列组成的不同类型的趋势和分形噪声成分与已知的特性。我们还处理了一个真实世界的数据集,太阳黑子的时间序列,这是众所周知的多重分形特征,最近在复杂系统领域获得了关注。实验结果表明了该方法的有效性和通用性。
2016-10-03 cs.LG cs.NE physics.data-an
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