Discovering patterns of online popularity from time series
Arizona State University（亚利桑那州立大学）；University of Southern California（南加州大学）
如何在网上获得人气？成功是否与在网络平台上迅速成为病毒式传播者密切相关，或者是否有可能以稳定和有纪律的方式获得人气？还有哪些时间特征可以揭示在线内容的受欢迎程度？为了回答这些问题，我们利用流行的在线内容的演变多方面的时间分析。在这里，我们提出了dipm-SC：一个多维的形状为基础的时间序列聚类算法的启发式找到最佳的集群数量。首先，我们验证了我们的算法的准确性基准时间序列模型生成的合成数据集。其次，我们表明，dipm-SC可以发现有意义的集群的流行行为在现实世界的Twitter数据集。通过对内容流行度的多维时间序列以及其他特定于领域的维度进行聚类，我们发现了流行度的两种主要模式：突发性和稳定的时间行为。此外，我们发现，随着时间的推移，获得流行的方式对最终的累积流行没有显着的影响。
2019-04-10 cs.LG cs.SI stat.ML
Breakpoint based online anomaly detection
针对在线时间序列中参考分布突变导致异常检测困难的问题，提出基于断点检测的实时自适应方法，并扩展平稳序列方法控制错误发现率，提升检测准确性。
2024-07-21 stat.ME
Stochastic Online Convex Optimization. Application to probabilistic time series forecasting
Laboratoire de Probabilités, Statistique et Modélisation（概率、统计与建模实验室）；Sorbonne Université（索邦大学）；CNRS（法国国家科学研究中心）
本文构建随机在线凸优化框架，证明在线牛顿步与 Bernstein online aggregation 在无界随机设定下达到已知最优遗憾速率，并用于校准非平稳次高斯时间序列的概率预测器。
2023-04-21 cs.LG math.ST stat.TH
Online false discovery rate control for anomaly detection in time series
EPFL（洛桑联邦理工学院）；Amazon Research（亚马逊研究院）
本文提出了新的规则，错误发现率控制（FDRC）面向在线异常检测时间序列。在线FDRC规则允许控制一系列统计测试的属性。在异常检测的上下文中，原假设是观察结果是正常的，而替代假设是观察结果是异常的。FDRC规则允许用户在无监督设置中设定精度下限。本文提出的方法克服了以往FDRC规则在异常检测方面的不足，特别是确保功率保持较高，即使当替代方案非常罕见（异常检测中的典型）和测试统计量是连续依赖的（时间序列中的典型）。我们在理论和实验中证明了这些规则的合理性。
2021-12-06 cs.LG math.ST stat.ML
Does Terrorism Trigger Online Hate Speech? On the Association of Events and Time Series
University of Bonn（波恩大学）
仇恨言论在网络上无处不在。最近，导致网上仇恨言论的线下原因越来越受到关注。一个反复出现的问题是，线下极端事件的发生是否系统地引发了网上仇恨言论的爆发，这表现在仇恨社交媒体帖子数量的峰值。从形式上讲，这个问题转化为测量稀疏事件序列和时间序列之间的关联。我们提出了一种新的统计方法学来测量，测试和可视化的系统之间的关联罕见的事件和峰值在时间序列。与以往的时间序列的因果推断或独立性检验方法相比，我们的方法只关注事件和峰值的时间，而没有其他分布特征。我们遵循事件重合分析（ECA），最初开发的相关点过程的框架。我们制定了一个离散时间变量的ECA和推导出所有所需的分布，使时间序列的峰值分析，特别关注序列依赖性和峰值超过多个阈值。分析产生了一种新的可视化的关联，通过分位数触发率图。我们通过分析西欧和北美的伊斯兰恐怖袭击是否会系统地引发Twitter上的仇恨言论和反仇恨言论来证明我们的方法的实用性。
2020-07-10 cs.CY cs.LG stat.AP
An Improved Online Penalty Parameter Selection Procedure for $\ell_1$-Penalized Autoregressive with Exogenous Variables
高维统计时间序列文献中的许多最新发展都集中在可以适应正则化最小二乘的时间相关应用上。特别令人感兴趣的是套索，它既用于正则化又提供特征选择。套索需要指定一个惩罚参数来确定要施加的稀疏度。考虑时间依赖性的最流行的惩罚参数选择方法是非常计算密集的，并且不适合于建模某些类别的时间序列。我们提出了一个规范的时间序列模型，自回归模型与外生变量，一个新的在线惩罚参数选择程序，利用时间序列数据的连续性，以提高计算性能和预测精度相对于现有的方法在模拟和实证应用，涉及宏观经济指标。
2020-10-15 stat.AP stat.ME stat.ML
LLM-Powered CPI Prediction Inference with Online Text Time Series
Marshall School of Business, University of Southern California（马歇尔商学院，南加州大学）；Paula and Gregory Chow Institute for Studies in Economics, Xiamen University（陈保罗和格雷戈里·楚经济学研究所，厦门大学）
针对传统CPI预测依赖低频调查数据的局限，提出融合在线文本时间序列的LLM-CPI方法，结合LLM生成的日度CPI代理与多类特征构建联合时间序列框架，经理论推导和实验验证了其性能与实用价值。
2025-06-11 cs.LG stat.ME stat.ML
Online Tracking of a Predictable Drifting Parameter of a Time Series
我们提出了一个在线算法来跟踪一个多维时变参数的时间序列，这也被允许是一个可预测的过程相对于底层的时间序列。该算法由增益函数驱动。在增益的假设下，我们推导出一致的非渐近误差界的跟踪算法中选择的步长的算法和感兴趣的参数的变化。我们还概述了如何适当的增益函数可以构建。我们给出了几个例子，不同的变分设置的参数过程中，我们的结果可以应用。所提出的方法涵盖了许多框架和模型（包括经典的Robbins-Monro和Kiefer-Wolfowitz程序），其中随机逼近算法包括数据分析的主要推理工具。我们在一些细节处理一对夫妇的具体模型。
2013-11-14 math.ST stat.TH
Online detection of distributional changes for time series in metric spaces
Drexel University（德雷塞尔大学）；University of Utah（犹他大学）；University of Pavia（帕维亚大学）
该研究针对度量空间取值的序列相关时间序列，提出基于U统计量的在线分布变化检测框架，结合灵活窗口构造，在多类数据模型中实现可靠虚警控制与更短检测延迟，适用于标量、函数及网络值时间序列。
2026-10-20 stat.ME
Robust Sequential Online Prediction with Dynamic Ensemble of Multiple Models: A Review
本文综述贝叶斯多模型动态集成（BDEMM）框架，说明其如何通过在线更新加权候选模型池解决非平稳时间序列的鲁棒序列在线预测问题，并梳理理论、算法、应用与未来方向。
2023-04-21 stat.ME
Online conformal inference for multi-step time series forecasting
Academy of Mathematics and Systems Science, Chinese Academy of Sciences（中国科学院数学与系统科学研究院）；Department of Econometrics & Business Statistics, Monash University（蒙纳士大学计量经济学与商业统计系）
本文提出AcMCP方法，用于多步时间序列预测中的分布无关预测区间构造，通过引入自相关性提高预测效率，并在有限样本下保证覆盖精度。
2026-11-06 stat.ME
OML-AD: Online Machine Learning for Anomaly Detection in Time Series Data
Technische Universität Darmstadt（达姆施塔特工业大学）；FH Aachen - University of Applied Sciences（亚琛应用科学大学）
针对现有异常检测方法不适用于非平稳时间序列的问题，提出基于在线机器学习的OML-AD方法，在River库实现且准确率与计算效率均优于现有最优基线。
2024-09-15 cs.LG stat.ML
Autoregressive-Model-Based Methods for Online Time Series Prediction with Missing Values: an Experimental Evaluation
由于在实际应用中很难获得完整的数据，因此含缺失值的时间序列预测是时间序列分析中的一个重要问题。自回归（AR）模型是时间序列生成的一种基本模型，它假设时间序列中的每个观测值都是前几个观测值的噪声线性组合，并伴随着一个常值偏移。为了解决缺失值的预测问题，提出了许多基于不同数据模型的方法。对于实际应用场景，这些方法如何在不同类型的时间序列上执行不同程度的数据丢失仍有待研究。在本文中，我们专注于基于AR模型的时间序列预测的缺失值的在线方法。我们采用了五种主流方法来适应这种情况。本文对每一种方法进行了详细的讨论，介绍了它们估计AR系数的核心思想和处理缺失值的不同策略。为了更好地理解，我们还提出了算法实现。为了对这些方法进行综合评价和比较，我们对合成数据和真实数据进行了各种相关参数配置的实验。从实验结果中，我们得出了几个值得注意的结论，并表明插补是一个简单但可靠的策略，以处理在线预测任务中的缺失值。
2019-08-27 cs.DB cs.LG stat.ML
An Online Bootstrap for Time Series
LMU Munich（慕尼黑大学）；Munich Center for Machine Learning（慕尼黑机器学习中心）
本文提出一种可在线执行且考虑数据依赖性的时间序列自助法，通过自回归递增依赖的重采样权重实现实时不确定性量化，并在理论上证明其有效性。
2024-02-26 cs.LG stat.CO stat.ME
Lightweight Online Adaption for Time Series Foundation Model Forecasts
intern（实习生）；Huawei SIR Lab, Edinburgh Research Centre, UK（华为SIR实验室，爱丁堡研究中心，英国）；School of Informatics, University of Edinburgh, UK（信息学院，爱丁堡大学，英国）
针对部署后固定的时间序列基础模型无法利用在线反馈适配新数据的问题，提出由预测器和加权器组成的轻量级机制ELF，通过融合基础模型与适配当前分布的预测结果提升性能，在多模型多数据集实验中均有效。
2025-07-30 cs.LG stat.ML
Learning Fast and Slow for Online Time Series Forecasting
Singapore Management University（新加坡管理大学）；Salesforce Research Asia（赛富时亚洲研究院）
深度神经网络在非平稳环境中的快速适应能力对于在线时间序列预测至关重要。成功的解决方案需要处理对新的和重复出现的模式的更改。然而，动态训练深度神经预测器是非常具有挑战性的，因为它们适应非平稳环境的能力有限，并且会对旧知识产生灾难性遗忘。在这项工作中，受互补学习系统（CLS）理论的启发，我们提出了快速和慢速学习网络（FSNet），一个整体的框架，在线时间序列预测，同时处理突变和重复模式。特别是，FSNet通过动态平衡对最近变化的快速适应和检索类似的旧知识来改善缓慢学习的骨干。FSNet通过适配器的两个互补组件之间的交互来实现这种机制，以监视每个层对丢失的贡献，以及支持记住，更新和调用重复事件的关联存储器。在真实和合成数据集上进行的大量实验验证了FSNet对新模式和重复模式的有效性和鲁棒性。我们的代码可在\url{https://github.com/salesforce/fsnet}上获得。
2022-10-17 cs.LG stat.ML
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
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
Personalized Online Machine Learning
University of California, Berkeley（加利福尼亚大学伯克利分校）；University of California San Francisco（加利福尼亚大学旧金山分校）；Université de Paris（巴黎大学）；MAP5 (UMR CNRS 8145)（MAP5（法国国家科学研究中心联合研究单位8145））
在这项工作中，我们介绍了个性化的在线超级学习者（POSL）-在线集成算法的流数据的优化过程，可适应不同程度的个性化。也就是说，POSL优化了关于基线协变量的预测，因此个性化可以从完全个性化（即，关于基线协变量受试者ID的优化）到许多个体（即，关于共同基线协变量的优化）。作为在线算法，POSL是实时学习的。POSL可以利用多种候选算法，包括具有不同训练和更新时间的在线算法，在程序期间从不更新的固定算法，从许多个体的时间序列中学习的池化算法，以及从单个时间序列中学习的个性化算法。POSL的这种混合的基础学习策略的集合取决于收集的数据量，时间序列的平稳性，以及一组时间序列的相互特征。从本质上讲，POSL根据数据中的底层（未知）结构决定是否跨样本学习，通过时间学习，或者两者兼而有之。对于反映现实预测场景的各种模拟，以及在医疗数据应用中，我们研究了POSL相对于其他当前集成和在线学习方法的性能。我们表明，POSL是能够提供可靠的预测时间序列数据，并调整不断变化的数据生成环境。我们进一步培养POSL的实用性，通过将其扩展到时间序列在时间顺序上动态进入/退出的设置。
2021-09-21 cs.LG stat.ML
Optimizing Convergence for Iterative Learning of ARIMA for Stationary Time Series
TU Berlin（柏林工业大学）
由于物联网和5G的最新发展，连续系统中的时间序列预测变得越来越重要。流行的预测模型ARIMA几十年来被应用于各种各样的应用。ARIMA的在线变体应用在线牛顿步骤来学习时间序列的基本过程。这种优化方法在计算复杂性和收敛性方面存在缺陷。因此，这项工作的重点是计算成本较低的在线梯度下降优化方法，这成为流行的学习神经网络在最近几年。对于此类模型的迭代训练，我们提出了一种新的方法，结合不同的在线梯度下降学习器（如Adam，AMSGrad，Adagrad，Nesterov），以实现快速收敛。对合成数据和实验数据集的评价表明，该方法优于现有的方法，从而导致整体较低的预测误差。
2021-01-25 cs.LG stat.ML
Proactive Model Adaptation Against Concept Drift for Online Time Series Forecasting
Shanghai Jiao Tong University（上海交通大学）
Proceed 提出一种前瞻性模型适应框架，通过估计和转换概念漂移，提升在线时间序列预测对概念漂移的抗性。
2025-12-18 cs.AI cs.CE cs.LG
COVID-19 Time-series Prediction by Joint Dictionary Learning and Online NMF
University of California, Los Angeles（加州大学洛杉矶分校）
预测COVID-19的传播和遏制是更广泛的科学界目前面临的最重要的挑战。困难的主要来源之一是每天可获得的COVID-19病例数据非常有限，除少数例外，大多数国家目前处于“指数传播阶段”，因此缺乏可用于预测传播和遏制之间的阶段性转变的信息。在本文中，我们提出了一种新的方法来预测COVID-19的传播基于字典学习和在线非负矩阵分解（在线NMF）。其核心思想是同时学习多个国家新的日常病例的短进化实例的字典模式，以便在字典模式中捕获它们的潜在相关结构。我们首先从整个时间序列中通过小批量学习来学习这样的模式，然后通过在线NMF进一步使它们适应时间序列。随着我们逐步适应和改进学习的字典模式以适应最近的观察结果，我们还使用它们通过部分拟合进行一步预测。最后，通过递归地应用一步预测，我们可以将我们的预测外推到不久的将来。我们的预测结果可以直接归因于学习的字典模式，因为它们的可解释性。
2020-04-20 cs.LG math.OC stat.ML
Efficient Online Hyperparameter Optimization for Kernel Ridge Regression with Applications to Traffic Time Series Prediction
Penn State University（宾夕法尼亚州立大学）；UC Berkeley（加州大学伯克利分校）；Lawrence Berkeley National Laboratory（劳伦斯伯克利国家实验室）
计算效率是在线环境中部署用于时间序列预测的机器学习模型的重要考虑因素。机器学习算法根据数据自动调整模型参数，但通常需要用户设置额外的参数，称为超参数。超参数会显著影响预测精度。通常由传感器在线收集的流量测量是串行相关的。此外，数据分布可能会逐渐变化。典型的自适应策略是周期性地重新调整模型超参数，以计算负担为代价。在这项工作中，我们提出了一个有效的和原则性的在线超参数优化算法的核岭回归应用于交通预测问题。在对真实流量测量数据的测试中，我们的方法所需的计算时间仅为其他调优方法的七分之一，同时实现了更好或类似的预测精度。
2018-11-01 cs.LG stat.ML
Model-based fuzzy time series clustering of conditional higher moments
本文提出了一种新的时间序列聚类方法，该方法考虑了异方差性、非正态性和模型的非线性。在这个目标下，我们采用模糊方法。具体而言，考虑到动态条件得分（DCS）模型，我们提出了聚类时间序列根据其估计的条件矩通过自相关的模糊C均值（A-FCM）算法。DCS参数化建模因其通用性和计算可行性而备受关注。所提出的程序的有用性说明了使用模拟数据和金融时间序列的几个实证应用的实验假设线性和非线性模型的规格和几个假设下的时间序列密度函数。
2021-04-01 stat.ME
Online Continual Learning for Time Series: a Natural Score-driven Approach
University of Pisa（比萨大学）；Scuola Normale Superiore（规范大学）；IIT-CNR（IIT-卡内基·梅隆研究院）
本文提出NatSR方法，结合鲁棒优化器、重放缓冲区和动态缩放启发式，以提升在线持续学习在时间序列预测中的鲁棒性和适应性。
2026-01-19 cs.AI cs.LG stat.ML
Online Graph Topology Learning from Matrix-valued Time Series
Université de Bordeaux（波尔多大学）；Université Grenoble Alpes（格勒诺布尔阿尔卑斯大学）；CNRS（法国国家科学研究中心）；Inria（法国国家信息与自动化研究所）；Grenoble INP（格勒诺布尔国立综合理工学院）；Institut de Mathématiques de Bordeaux（波尔多数学研究所）；Laboratoire Bordelais de Recherche en Informatique（波尔多计算机科学实验室）
针对矩阵值时间序列的传感器依赖结构识别问题，将VAR模型扩展为矩阵变量模型，提出高低维场景下的在线图学习方法及带周期性趋势的扩展模型，经实验验证有效。
2024-09-08 cs.LG stat.ML
Adaptive Benign Overfitting (ABO): Overparameterized RLS for Online Learning in Non-stationary Time-series
University College London（伦敦大学学院）
ABO通过QR-EWRLS算法结合随机傅里叶特征和遗忘因子正则化，在非平稳条件下实现高效的在线学习，展现无害过拟合特性并提升预测精度与速度。
2026-01-29 cs.LG cs.MS cs.NA
Online Sequential Leveraging Sampling Method for Streaming Autoregressive Time Series with Application to Seismic Data
本文提出在线序贯杠杆采样（SLS）方法，通过选择单个连续数据块并采用序贯停止规则，高效处理流式自回归时间序列，并在两个地震数据集上验证了其识别地震事件和揭示时间依赖结构的能力。
2025-09-25 stat.AP stat.ME
Adaptive Conformal Inference for Multi-Step Ahead Time-Series Forecasting Online
Jönköping University（延雪平大学）
本文改进自适应保形推断（ACI）算法，为在线多步超前时间序列预测提供有限样本覆盖率保证，支持各预测步骤使用不同目标错误率和学习率，并在数值示例中验证了该方法能在区间宽度与覆盖率间取得平衡。
2024-09-23 cs.LG stat.ML
Online Topology Identification from Vector Autoregressive Time Series
因果关系图通常在社会科学，自然科学和工程中进行估计，因为它们能够以适合人类解释，预测和异常检测的格式有效地表示多变量数据集的时空结构。一个流行的方法来数学形式化的因果关系是基于向量自回归（VAR）模型，并构成了一个替代众所周知的，但通常难以处理，格兰杰因果关系。依靠这样一个VAR因果关系的概念，本文开发了两种算法，具有互补的好处，以在线方式跟踪时变因果关系图。每次更新的恒定复杂性也使这些算法对大数据场景具有吸引力。尽管连续使用数据，这两种算法被证明渐近达到相同的平均性能作为一个批量估计，使用整个数据集一次。为此，次线性（静态）后悔界限的建立。性能的特点也是在随时间变化的设置通过动态后悔分析。真实数据和合成数据的数值结果进一步支持了所提出的算法在静态和动态场景下的优点。
2020-11-13 eess.SP stat.ML
Online Change-Point Monitoring for Object-valued Time Series
Washington University in St Louis（华盛顿大学圣路易斯分校）；Aarhus University（奥胡斯大学）
本文提出基于距离嵌入和自归一化的闭端与开端程序，在线监测对象值时间序列边际分布变化，具有枢轴极限和最优局部检测边界，并通过模拟和实际应用验证有效性。
2026-09-11 math.ST stat.TH
Online Conformal Model Selection for Nonstationary Time Series
University of Connecticut（康涅狄格大学）
MPS通过结合符合推断与模型置信集，实现在线非平稳时间序列模型的自适应选择，提供可靠且高效的模型识别能力。
2026-01-28 cs.LG stat.ML
Optimal Sampling Designs for Multi-dimensional Streaming Time Series with Application to Power Grid Sensor Data
Department of Statistics（统计系）；Data Science, University of Central Florida, Orlando, FL 32826 USA（数据科学系，中央佛罗里达大学）；Department of Statistics, University of Georgia, Athens, GA 30602 USA（统计系，佐治亚大学）
针对多维流式时间序列在线分析的计算成本问题，提出基于D-最优性准则的混合伯努利与杠杆得分采样方法，在电网数据上优于基准方法。
2023-03-14 cs.LG stat.AP stat.ML
Online state and parameter estimation in Dynamic Generalised Linear Models
流时间序列的推理与贝叶斯在线状态和参数推理问题紧密耦合。在本文中，我们将介绍动态广义线性模型，一类模型经常选择连续和离散时间序列数据建模。我们将研究三种不同的方法，这些方法允许在线估计并分析应用于与流数据推断相关的不同现实世界数据集时的结果。基于充分统计量的方法延迟了已知问题，例如粒子的离散化，特别是当应用于长时间运行的时间序列时，同时与精确方法（例如粒子边缘Metropolis-Hastings）相比，提供合理的参数估计。状态和观测预报也将作为业绩指标进行分析。通过对“金标准”（离线）方法进行基准测试，我们可以更好地了解在线方法在具有挑战性的现实世界场景中的性能。
2016-08-30 stat.CO
New Perspectives on the Use of Online Learning for Congestion Level Prediction over Traffic Data
TECNALIA, Basque Research and Technology Alliance (BRTA)（TECNALIA，巴斯克研究与技术联盟（BRTA））；University of the Basque Country (UPV/EHU)（巴斯克大学（UPV/EHU））
这项工作的重点是时间序列数据的分类。当一个时间序列是由非平稳现象产生的，与要预测的类序列相关的模式可能会随着时间的推移而演变（概念漂移）。因此，旨在学习这种模式的预测模型最终可能会变得过时，从而无法维持实际使用的性能水平。为了克服这种模型退化，在线学习方法从随时间到达的新数据样本中增量地学习，并通过实现各种概念漂移策略来适应数据流的最终变化。在这篇手稿中，我们阐述了适合的在线学习方法来预测道路拥堵水平的基础上交通速度时间序列数据。当预测范围增加时，我们得出了关于性能下降的有趣见解。与大多数文献中所做的不同，我们提供了证据，证明在设计和调整学习模型之前，评估类的分布随时间的重要性。以上的练习可能会提示在目标下不同拥堵水平的可预测性。实验结果进行了讨论，在实际的交通速度数据的感应线圈部署在西雅图（美国）。分析了几种在线学习方法，从传统的增量式学习算法到更详细的深度学习模型。如报告的结果所示，当增加预测范围时，由于类沿时间的分布，所有模型的性能都严重下降，这支持了我们关于在设计模型之前分析这种分布的重要性的主张。
2020-03-27 cs.LG eess.SP stat.ML
Unsupervised Online Anomaly Detection On Irregularly Sampled Or Missing Valued Time-Series Data Using LSTM Networks
Bilkent University（比尔肯特大学）；DataBoss A.S.（DataBoss公司）
我们研究异常检测，并介绍了一种算法，处理可变长度，不规则采样序列或序列缺失值。我们的算法是完全无监督的，但是，可以很容易地扩展到监督或半监督的情况下，异常标签存在的整个文件。我们的方法使用长短期记忆（LSTM）网络来提取时间特征，并找到最相关的特征向量进行异常检测。我们通过使用时间调制门来调制标准LSTM模型，将采样时间信息纳入我们的模型。从LSTM中获得最相关的特征后，我们使用支持向量数据描述符（SVDD）模型标记序列。我们引入了一个损失函数，然后联合优化的特征提取和序列处理机制，在一个端到端的方式。通过这种联合优化，LSTM提取了最相关的异常检测特征，随后用于SVDD，因此完全消除了通过专家知识进行特征选择的需要。此外，我们还为在线设置提供了一个训练算法，当新数据到达时，我们使用单个序列优化模型参数。最后，在现实生活中的数据集上，我们表明，由于LSTM与SVDD和联合优化的结合，我们的模型显着优于标准方法。
2020-05-25 cs.LG stat.ML
Online estimation methods for irregular autoregressive models
Universidad de Santiago（圣地亚哥大学）；Millennium Institute of Astrophysics（千年天体物理研究所）；Universidad Adolfo Ibañez（阿道夫·伊瓦涅斯大学）
在过去的几十年中，由于所观察到的巨大的技术增长，时间数据的集合迅速地大量积累已经变得越来越普遍。这就提供了一个机会，通过对越来越精确的模型进行估计，来提取有价值的信息。但与此同时，随着新数据的出现，它带来了不断更新模型的挑战。目前可用的方法来解决这个问题，所谓的在线学习方法，使用当前的参数估计和新的数据来更新估计。这些方法避免了使用完整的原始数据并加快了计算速度。在这项工作中，我们考虑三个在线学习算法的参数估计的时间序列模型的背景下。具体而言，实施的方法是：梯度下降，牛顿步骤和卡尔曼滤波器递归。这些算法被应用到最近开发的不规则观测自回归（iAR）模型。所提出的方法的估计精度进行评估，通过蒙特卡罗实验。所获得的结果表明，所提出的在线估计方法可以精确估计的参数，生成的数据都定期和不定期观察的时间序列。这些在线方法在数值上是有效的，可以节省大量的计算时间。此外，我们表明，所提出的方法是能够适应参数估计快速时，时间序列的行为变化，不像批量估计方法。
2023-01-31 cs.LG math.ST stat.TH
Dynamic detection of anomalous regions within distributed acoustic sensing data streams using locally stationary wavelet time series
分布式声学感测技术越来越多地用于支持石油和天然气部门内的生产和井管理，例如用于改进流量监测和生产剖面。这种传感技术能够记录油井内多个深度的大量数据，从而对生产行为提供前所未有的见解。然而，该技术也倾向于记录异常行为的周期，其中在多个深度同时观察到相同的物理特征。这些特征被称为“条纹”，是不希望的，会对油井动态建模产生负面影响。本文重点介绍了重要的挑战，制定一个原则性的方法来确定这种异常周期内分布的声学信号。我们扩展最近的工作分类本地平稳小波时间序列的在线设置，并在这样做，引入一个计算效率高的在线程序能够准确地识别异常区域内的多元时间序列。
2018-09-25 stat.AP
On tracking varying bounds when forecasting bounded time series
Technical University of Denmark（丹麦技术大学）；Imperial College London（伦敦帝国理工学院）
本文提出一种新框架，将有界时间序列的时变边界视为分布参数，通过扩展对数似然和在线归一化梯度下降算法跟踪边界，并在模拟和风电预测中验证。
2023-06-23 cs.LG stat.AP stat.ML
Method of moments estimators for the extremal index of a stationary time series
极值指数$θ$是区间$[0,1]$中的一个数，是分析平稳时间序列极值的重要性度量。新的秩为基础的估计$θ$提出依赖于建设近似样本的指数分布的参数$θ$，然后通过矩量法进行拟合。新的估计量进行了分析，无论是理论上，以及经验，通过大规模的模拟研究。在特定的情况下，特别是时间序列模型与$θ\approx 1$，他们被发现优于最近的竞争对手的文献。
2020-06-27 math.ST stat.TH
Spatio-Temporal Momentum: Jointly Learning Time-Series and Cross-Sectional Strategies
University of Oxford（牛津大学）；Oxford-Man Institute of Quantitative Finance（牛津-曼氏量化金融研究所）
提出 Spatio-Temporal Momentum 神经网络框架，统一时间序列与横截面动量信号，并在美股和股指期货回测中于高交易成本下展现稳健优势。
2023-02-20 cs.LG q-fin.PM q-fin.TR
A Nonlinear Time-Series Theory for Constant-step SGD with Momentum
Department of Statistics, University of Chicago（芝加哥大学统计学系）
该研究针对带动量的常步长SGD，将其耦合递推视为非线性时间序列，建立了平稳行为与分布极限的框架，还在随机曲率二次模型中分析了初始化遗忘率与平稳方差等的关联。
2026-10-14 cs.LG stat.ML
Enhancing Time Series Momentum Strategies Using Deep Neural Networks
University of Oxford（牛津大学）；Oxford-Man Institute of Quantitative Finance（牛津-曼氏量化金融研究所）
虽然时间序列动量在金融中是一个被充分研究的现象，但常见的策略需要明确定义趋势估计量和头寸大小规则。在本文中，我们介绍了深度动量网络-一种混合方法，将基于深度学习的交易规则注入到时间序列动量的波动率缩放框架中。该模型还以数据驱动的方式同时学习趋势估计和位置调整，通过优化信号的夏普比率直接训练网络。通过对88个连续期货合约的投资组合进行回溯测试，我们证明了夏普优化的LSTM在没有交易成本的情况下将传统方法改进了两倍以上，并且在考虑交易成本高达2-3个基点时继续表现出色。为了解释更多的非流动性资产，我们还提出了一个营业额正规化期限，该期限可以训练网络在运行时考虑成本。
2020-09-27 cs.LG q-fin.TR stat.ML
Bayesian online collective anomaly and change point detection in fine-grained time series
本研究提出贝叶斯框架及递归在线推理算法，联合检测细粒度时间序列中的集体异常与变点，并通过集体异常移除将复杂度降至线性，实验验证了其有效性。
2025-08-08 stat.ME
Online Change Point Detection for Multivariate Inhomogeneous Poisson Processes Time Series
University of Notre Dame（圣母大学）；Auburn University（奥本大学）；Washington University in Saint Louis（华盛顿大学圣路易斯分校）；University of California, Los Angeles（加州大学洛杉矶分校）
针对多元非齐次泊松点过程时间序列，提出一种基于低秩矩阵表示的非参数在线变点检测方法，具有单次遍历、常数计算开销和理论保证。
2026-05-22 stat.ME
Online Change-point Detection for Matrix-valued Time Series with Latent Two-way Factor Structure
提出了一种在线检测大矩阵时间序列因子结构变化点的新方法。我们的方法是基于众所周知的事实，即在存在一个变点，因子模型可以被重写为一个模型与大量的共同因素。反过来，这意味着，在存在变点的情况下，数据的二阶矩矩阵中的尖峰特征值的数量增加。在此基础上，我们提出了两个家庭的程序-一个基于波动的部分和，和一个基于极值理论-监测是否第一个非尖峰特征值发散后的一个时间点在监测范围内，从而表明存在一个变点。我们的程序是只基于率，在每个时间点，我们随机估计的特征值，从而获得一个正态分布的序列，这是$i.i.d.$与平均零下的零零没有休息，而它发散到正无穷的存在一个变点。我们的监测程序就是以这种顺序为基础的。大量的模拟研究和实证分析证明了理论的正确性。
2021-12-27 stat.ME
Online Debiasing for Adaptively Collected High-dimensional Data with Applications to Time Series Analysis
Massachusetts Institute of Technology（麻省理工学院）；University of Southern California（南加州大学）
数据的自适应收集在整个科学和工程应用中是常见的。然而，从统计推断的角度来看，自适应数据收集在样本中引入记忆和相关性，并提出了重大挑战。我们考虑高维线性回归，其中样本是自适应收集的，样本量$n$可以小于协变量的数量$p$。在这种情况下，有两个不同的偏差来源：第一个是由于一致估计所施加的正则化，例如使用LASSO，第二个是由于收集样本的自适应性。我们提出了“在线去偏”，如LASSO，它解决了两个来源的偏见估计的一般程序。在两个具体的$(i)$时间序列分析和$(ii)$批量数据收集的情况下，我们证明了在线去偏最佳去偏LASSO估计时的基本参数$θ_0$具有稀疏的顺序$o(\sqrt{n}/\log p)$。在这种情况下，可以使用去偏估计量来计算最佳大小的$p$值和置信区间。
2020-05-05 cs.LG math.ST stat.ME
Efficient conformal prediction intervals for time series: Online PID-Expert aggregation
School of Economics and Management, Beihang University（北京航空航天大学经济管理学院）；Beijing Shuji Intelligent Technology Co., Ltd.（北京数智科技有限公司）；Center for Forecasting Science, Academy of Mathematics and Systems Science, Chinese Academy of Sciences（中国科学院数学与系统科学研究院预测科学中心）
PID-Expert通过在线聚合多个PID校准器，在保持覆盖率的同时生成更窄的预测区间，提高了时间序列共形预测的效率。
2026-10-05 stat.ME
