Conditional-mean Multiplicative Operator Models for Count Time Series
针对乘性误差模型无法处理离散计数时间序列的问题，提出计数乘性算子概念并构建了计数时间序列的条件均值乘性算子模型（CMEMs），推导了其随机性质与估计方法，并通过仿真和真实数据验证了有效性。
2023-11-27 math.ST stat.ME stat.TH
Statistical analysis for stationary time series at extreme levels: new estimators for the limiting cluster size distribution
一个措施的首要重要性，捕捉一个平稳时间序列在极端水平的串行依赖性提供了限制集群大小分布。提出了一种新的基于块分布方案的估计器，并从理论上和大规模的仿真研究中进行了分析。滑动块版本的估计优于不相交块版本。与文献中的一些竞争者相比，估计量仅依赖于统计学家选择的一个未知参数。
2020-11-09 math.ST stat.TH
A copula approach for dependence modeling in multivariate nonparametric time series
本文研究了在可能包含时间序列过去值的协变量存在的情况下，两个（或多个）时间序列的相关结构的建模问题。我们假设协变量只影响每个时间序列的条件均值和条件方差，但标准化新息的分布不受协变量的影响，并且在时间上是稳定的。联合分布的时间序列，然后确定的条件均值，条件方差和边缘分布的创新，我们估计nonparametrically，和copula的创新，它代表的依赖结构。我们考虑一个非参数以及半参数估计的基础上估计残差。我们表明，在适当的假设下，这些copula估计是渐近等价的估计，将基于未观察到的创新。通过仿真和实际数据的例子说明了理论结果。
2018-12-10 math.ST stat.ME stat.TH
The dynamic generalized covariance measure for conditional independence testing with nonstationary time series
Carnegie Mellon University（卡内基梅隆大学）；Queen Mary University of London（伦敦大学玛丽女王学院）
本文提出首个适用于非平稳非线性过程单次实现的条件独立性检验框架，通过时变非线性回归等技术解决线性模型难以捕捉非线性动态的问题，为相关领域的随机过程关系识别提供了新工具。
2026-10-22 math.ST stat.ME stat.ML
Conditional normalization in time series analysis
提出一种基于广义可加模型的条件归一化时间序列方法，通过建模条件均值与方差控制协变量影响，并应用于河流网络数据的缺失值插补及水流时间估计。
2023-05-22 stat.AP stat.CO stat.ME
Joint parametric specification checking of conditional mean and volatility in time series models with martingale difference innovations
利用累积残差过程，我们提出了联合拟合优度检验的条件均值和方差函数的背景下，非线性时间序列与鞅差的创新。主要的挑战来自这样一个事实，即累积残差过程不再承认，在原假设，分布自由的限制。为了获得一个实际的解决方案，一个变换的过程，以实现一个分布自由的限制或近似的非分布自由的限制使用数值或重新采样技术。在这里，三个解决方案将被考虑。它表明，所提出的测试有非平凡的权力对一类root-n本地的替代品，是合适的条件信息集是无限维的，这使得包括模型，如自回归条件异方差随机模型与相关的新息。所提出的方法只假设一阶和二阶条件矩的某些条件，而不施加任何自回归模型。介绍的测试程序进行了比较，彼此之间和与其他竞争对手在他们的权力，使用模拟研究和真实的数据应用。这些模拟表明，基于原始统计量的重新采样或数值近似的测试的统计功效通常略好于基于原始过程的鞅变换的测试。
2021-07-01 math.ST stat.ME stat.TH
Semiparametric inference on the fractal index of Gaussian and conditionally Gaussian time series data
研究了随机过程分形指数的一个著名估计。我们的框架是非常普遍的，包括许多感兴趣的模型，我们展示了如何扩展的估计理论的一大类非高斯过程。特别关注的是清晰度和易于实施的估计和相关的渐近结果，使从业者很容易应用的方法。我们还展示了如何测量噪声的意见将偏见的估计，可能导致从业者错误地发现证据的分形特征的时间序列。我们提出了一个新的估计，这是强大的，这样的噪音，并建立一个正式的假设检验存在的噪音的意见。最后，在两个经验数据集上说明了这些方法;一个是湍流速度流，一个是金融价格。
2018-03-09 math.ST q-fin.ST stat.TH
Conditional Independence Testing in Time Series
University College London（伦敦大学学院）；University of Cambridge（剑桥大学）
针对时间序列中格兰杰因果检验，提出无模型的条件独立性检验方法GTCM，通过非线性回归与残差协方差统计量，在弱假设下控制错误率并利用全数据估计。
2026-09-18 math.ST stat.ME stat.TH
A Dynamic Model for Double Bounded Time Series With Chaotic Driven Conditional Averages
在这项工作中，我们介绍了一类动态模型的时间序列采取的值上的单位时间间隔。所提出的模型遵循广义线性模型的方法，其中的随机分量，条件上的过去的信息，遵循β分布，而条件均值规格可能包括协变量，也可以呈现混沌行为的映射的迭代给出的额外的附加项。由此产生的模型是非常灵活的，其系统的组成部分可以容纳短期和长期的依赖性，周期性行为，层流阶段等，我们推导出易于验证的条件所提出的模型的平稳性，以及条件的大数定律和Birkhoff型定理举行。蒙特卡洛模拟研究进行评估的部分最大似然法的参数估计在所提出的模型的有限样本行为。最后，在巴西南部的存储水电能源的比例的应用。
2019-10-07 math.DS math.ST stat.ME
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
Semiparametric mean and variance joint models with Laplace link functions for count time series
针对计数时间序列条件方差难以独立建模的局限，提出 RRC-GARCH 半参数均值与方差联合模型，利用 Laplace 链接函数灵活捕捉均值-方差结构，证明了其理论性质，并通过模拟与真实数据验证了其预测准确性。
2024-04-29 math.ST stat.ME stat.TH
Cluster based inference for extremes of time series
本文提出了一种新的正则变化时间序列谱尾过程的估计方法。该方法是基于一个特征的谱尾过程，这是纳入新的估计通过投影技术的不变性。我们证明了该估计的一致渐近正态性，在已知和未知的情况下，定期变化的指数。在模拟研究中，新的程序显示出比以前提出的估计更稳定的性能。
2021-03-15 math.ST stat.ME stat.TH
Conditional mode regression: Application to functional time series prediction
本文考虑$α$ -混合观测值，并在给定随机变量$X$取值于半度量空间的情况下，讨论了标量响应变量$Y$的条件模的估计.给出了估计量在$L^p$范数下的收敛速度。最后给出了函数时间序列预测的一个典型应用。
2008-12-29 stat.AP
Time series conditional extremes
平稳时间序列中联合极值相关结构的精确建模是一个具有挑战性的问题，在许多应用中非常重要。以前解决这个问题的几种方法只适用于时间序列中某些类型的极值依赖，如渐近依赖或有限阶的马尔可夫时序列。在本文中，我们基于最近的概率结果开发了时间序列极端事件的统计方法学，这些结果使我们能够在目睹极端事件后灵活地对平稳时间序列的衰减进行建模。虽然有限阶的马尔可夫序列自然地被我们的方法所容纳，但我们考虑了一个更广泛的设置，基于条件极值模型，它允许时间序列中广泛的可能依赖结构。我们考虑基于蒙特卡罗模拟的推理，并推导出一个常用的重要性抽样方差的上界。我们的方法是通过模拟数据和时间序列的日最高气温从法国奥尔良的集群泛函估计说明。
2023-03-08 stat.ME
Probabilistic Crop Yields Forecasts With Spatio-Temporal Conditional Copula Using Extreme Weather Covariates
本文提出一种结合贝叶斯结构时间序列与时变条件Copula的作物产量预测模型，利用动态广义极值模型刻画极端天气影响，并改进聚类算法实现大规模应用。
2025-03-28 stat.ME
Decision-Aware Conditional GANs for Time Series Data
Harvard University（哈佛大学）；Massachusetts Institute of Technology（麻省理工学院）
我们引入决策感知的时间序列条件生成对抗网络（DAT-CGAN）作为时间序列生成的方法。该框架采用了多Wasserstein损失结构化决策相关的数量，捕捉决策相关的数据的异质性，并提供新的有效性，在支持最终用户的决策过程。我们通过重叠块采样方法提高了样本效率，并从理论上描述了DAT-CGAN的泛化性能。金融时间序列的多时间步投资组合选择问题的框架证明。我们在基础数据和不同的决策相关量方面表现出比基于GAN的强大基线更好的生成质量。
2023-02-04 cs.LG stat.ML
Conditional Modelling of Spatio-Temporal Extremes for Red Sea Surface Temperatures
最近的极值理论文献已经看到显着强调空间极端的建模，相对较少的考虑时空扩展。这忽略了极端事件的一个重要特征：它们随时间的演变。许多现有的模型的空间的情况下，它们可以处理的位置的数量是有限的，这阻碍了扩展到时空设置，需要更高的维度的模型。此外，确实存在的时空模型在它们可以捕获的极端依赖类型的范围方面是限制性的。最近，有条件的方法研究多元和空间的极端已经提出，享受的好处，在计算效率和捕获渐近依赖和渐近独立的能力。我们将这类模型扩展到时空环境，条件是在单个时空位置出现极值。我们采用复合似然方法进行推理，它结合了多个时空条件位置的全似然信息。我们将我们的模型应用于红海的表面温度，表明它适合使用一系列的诊断图，并演示了它如何用于评估由于连续几天的高水温导致的珊瑚漂白的风险。
2020-06-24 stat.AP stat.ME
Conditional Time Series Forecasting with Convolutional Neural Networks
我们提出了一种基于最近深度卷积WaveNet架构的适应的条件时间序列预测方法。所提出的网络包含膨胀卷积的堆栈，使其能够在预测时访问广泛的历史，通过并行应用多个卷积滤波器来执行ReLU激活功能和调节以分离时间序列，这允许快速处理数据并利用多变量时间序列之间的相关结构。我们测试和分析的卷积网络的性能，无论是无条件的，以及有条件的金融时间序列预测使用的标准普尔500指数，波动率指数，芝加哥期权交易所利率和几个汇率，并广泛比较它的性能，著名的自回归模型和长期-短期记忆网络。我们表明，卷积网络非常适合回归类型的问题，并且能够有效地学习序列中和序列之间的依赖关系，而不需要很长的历史时间序列，是一种时间效率高且易于实现的替代方案。循环类型网络，并且往往优于线性和循环模型。
2018-09-17 stat.ML
DynaConF: Dynamic Forecasting of Non-Stationary Time Series
Borealis AI（博雷尔 AI）
本文提出DynaConF方法，通过解耦平稳条件分布建模与非平稳动态建模，结合贝叶斯动态模型和分解输出空间的深度条件分布模型，提升对非平稳多元时间序列的预测适应能力。
2024-02-24 cs.LG stat.ML
CSDI: Conditional Score-based Diffusion Models for Probabilistic Time Series Imputation
Stanford University（斯坦福大学）；Mitsubishi UFJ Trust Investment Technology Institute（三菱日联信托投资技术研究所）；Japan Digital Design（日本数字设计公司）
时间序列中缺失值的插补在医疗保健和金融领域有许多应用。虽然自回归模型是时间序列插补的自然候选者，但基于分数的扩散模型最近在许多任务（例如图像生成和音频合成）中优于包括自回归模型在内的现有对应模型，并且将有希望用于时间序列插补。在本文中，我们提出了基于条件分数的扩散模型插补（CSDI），一种新的时间序列插补方法，利用基于观测数据的条件分数的扩散模型。与现有的基于分数的方法不同，条件扩散模型被明确地训练用于插补，并且可以利用观察值之间的相关性。在医疗保健和环境数据上，CSDI比现有的流行性能指标的概率估算方法提高了40-65%。此外，与最先进的确定性插补方法相比，CSDI的确定性插补将误差降低了5-20%。此外，CSDI还可以应用于时间序列插值和概率预测，与现有的基线相比具有竞争力。该代码可在https://github.com/ermongroup/CSDI上获得。
2021-10-27 cs.LG stat.ML
Modeling Spatio-temporal Extremes via Conditional Variational Autoencoders
本文提出一种基于条件变分自编码器的模型，用于建模时空极值，并通过实验展示其在现实场景中的应用价值。
2025-12-06 cs.LG stat.ME stat.ML
The Conditional Cauchy-Schwarz Divergence with Applications to Time-Series Data and Sequential Decision Making
UiT - The Arctic University of Norway（挪威北极大学）；Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）；University of Florida（佛罗里达大学）；NORCE Norwegian Research Centre（NORCE挪威研究中心）；Copenhagen University（哥本哈根大学）；Norwegian Computing Center（挪威计算中心）
本文提出可由核密度估计的条件 CS 散度，用于衡量条件分布接近度，并在时间序列聚类与不确定性引导的序贯决策探索中验证其优势。
2025-03-16 cs.IT cs.LG math.IT
Class Conditional Time Series Generation with Structured Noise Space GAN
University of Kaiserslautern-Landau（凯泽斯劳滕-兰道大学）；IAV GmbH（IAV有限公司）；DFKI GmbH（德国人工智能研究中心有限公司）
本文提出SNS-GAN，通过将类条件嵌入生成器噪声空间，实现无需结构修改的类条件图像与时间序列生成，并在时间序列生成上优于基线模型。
2023-12-20 cs.LG stat.ML
Neural SDEs for Conditional Time Series Generation and the Signature-Wasserstein-1 metric
Universitat Autònoma de Barcelona（巴塞罗那自治大学）；Universitat de Barcelona（巴塞罗那大学）
（条件）生成对抗网络（GANs）近年来取得了巨大的成功，因为它们能够在极高维空间上近似（条件）分布。然而，它们对于训练来说是高度不稳定的并且计算上昂贵的，特别是在时间序列设置中。最近，已经提出了使用粗糙路径理论中的一个关键对象，称为路径的签名，它能够将（条件）GAN框架给出的最小-最大公式转换为经典的最小化问题。然而，这种方法在存储器成本方面极其昂贵，有时甚至变得令人望而却步。为了克服这一点，我们建议使用\textit{Conditional Neural Stochastic Differential Equations}，它具有作为深度函数的恒定内存成本，比传统的深度学习架构更高效。我们的经验测试，该模型是更有效的比其他经典的方法，无论是在内存成本和计算时间方面，它通常优于他们的性能。
2023-01-03 cs.LG math.PR stat.ML
Conditional Randomization Tests for Behavioral and Neural Time Series
针对行为与神经科学实验中刺激依赖受试者先前行为、无法用简单随机化检验的问题，提出用条件随机化做精确假设检验，对比切线随机化的局限性并给出实验设计思路。
2023-11-06 stat.ME
Conditional Lagrangian Wasserstein Flow for Time Series Imputation
Soochow University（苏州大学）；Aalborg University（奥尔堡大学）
本文提出条件拉格朗日Wasserstein流（CLWF）用于时间序列插补，通过最小化动能学习速度，并利用去噪自编码器估计势函数梯度以降低采样方差，性能优于现有扩散模型方法。
2025-05-07 cs.LG stat.ML
T-CGAN: Conditional Generative Adversarial Network for Data Augmentation in Noisy Time Series with Irregular Sampling
Politecnico Milano（米兰理工大学）；Harvard University（哈佛大学）
本文提出了一种适用于不规则采样时间序列的数据增强方法--时间条件生成对抗网络（T-CGAN）。我们的方法是基于条件生成对抗网络（CGAN），其中生成步骤是由一个去卷积神经网络和卷积神经网络的判别步骤。生成器和时间序列生成器都以采样时间戳为条件，学习数据和时间戳之间的隐藏关系，从而生成新的时间序列。我们用合成和真实世界的数据集来评估我们的模型。对于合成数据，我们比较了用T-CGAN生成的数据训练的分类器的性能，以及用原始数据训练的相同分类器的性能。结果表明，在T-CGAN生成的数据上训练的分类器与在真实数据上训练的分类器的性能相同，即使是非常短的时间序列和小的训练集。对于现实世界的数据集，我们比较我们的方法与其他技术的数据增强的时间序列，如时间分片和时间扭曲，在分类问题与不平衡的数据集。结果表明，我们的方法总是优于其他方法，在规则采样和不规则采样的时间序列的情况下。我们实现了特别好的性能的情况下，一个小的训练集和短，噪声，不规则采样的时间序列。
2019-02-01 cs.LG stat.ML
GP-ConvCNP: Better Generalization for Convolutional Conditional Neural Processes on Time Series Data
German Cancer Research Center（德国癌症研究中心）
神经过程（Neural Processes，NP）是一系列条件生成模型，它们能够对函数上的分布进行建模，从而允许它们在测试时以多个上下文点为条件进行预测。最近加入这个家族的卷积条件神经过程（ConvCNP）在性能上比现有技术有了显着的改进，但我们发现它们在应用于时间序列数据时有时很难推广。特别是，它们对分布偏移不稳健，并且无法将观察到的模式外推到未来。通过将高斯过程纳入模型，我们能够弥补这一点，同时提高分布内的性能。作为一个额外的好处，高斯过程重新引入了从模型中采样的可能性，这是NP家族其他成员的一个关键特征。
2021-06-11 cs.AI cs.LG stat.ML
Conditional Chow-Liu Tree Structures for Modeling Discrete-Valued Vector Time Series
University of California, Irvine（加州大学尔湾分校）
我们考虑离散值向量时间序列数据的建模问题，使用扩展的Chow-Liu树模型来捕获跨时间的依赖关系和跨变量的依赖关系。作为对标准Chow-Liu树的扩展，引入了条件Chow-Liu树模型，用于建模条件密度而不是联合密度。我们描述了这种模型的学习算法，并展示了它们如何可以用来学习隐马尔可夫模型的输出分布的简约表示。并将这些模型应用于雨量站网逐日降水量的模拟和预报这一重要问题。为了证明模型的有效性，我们比较了它们的性能与一些替代品使用历史降水数据从澳大利亚西南部和美国西部。我们说明了如何的结构和参数的模型可以用来提供一个改进的气象解释这样的数据。
2012-07-11 cs.LG stat.ML
Conditional Sig-Wasserstein GANs for Time Series Generation
University College London（伦敦大学学院）；University of Edinburgh（爱丁堡大学）；University of Kaiserslautern（凯撒斯劳滕大学）
本文提出条件 Sig-WGAN 框架，将路径签名与 WGAN 结合，用条件 Sig-W1 度量作为判别器，以显式表示避免昂贵训练，在时间序列生成任务上显著优于现有基准。
2023-10-11 cs.LG stat.ML
Conditional Loss and Deep Euler Scheme for Time Series Generation
Université Gustave Eiffel（古斯塔夫·埃菲尔大学）；EDF Lab（法国电力实验室）；FiME (Laboratoire de Finance des Marchés de l’Énergie)（能源市场金融实验室）
我们介绍了三个新的生成模型的时间序列的基础上欧拉离散化的随机微分方程（SDES）和Wasserstein度量。其中两种方法依赖于生成对抗网络（GANs）对时间序列的适应。第三种算法称为条件欧拉生成器（CEGEN），其最小化所有时间步长上的转移概率分布之间的专用距离。在伊藤过程的背景下，我们提供了理论保证，最小化这一标准意味着漂移和波动参数的准确估计。我们的经验表明，CEGEN优于国家的最先进的和GAN发电机的边际和时间动态指标。此外，它还能在高维空间中识别出准确的相关结构。当数据点很少时，我们验证了CEGEN的有效性，结合迁移学习方法进行蒙特卡罗模拟。最后，我们说明了我们的方法在各种现实世界的数据集上的鲁棒性。
2021-10-06 cs.LG math.PR stat.AP
Robust tests for parameter change in conditionally heteroscedastic time series models
Kyungpook National University（庆北国立大学）
本文提出了一种基于残差的稳健CUSUM检验，用于检测条件异方差时间序列模型中的参数变化，并通过模拟和比特币数据验证了其对异常值的稳健性。
2026-09-01 stat.ME
Probabilistic Forecasting of Irregular Time Series via Conditional Flows
University of YYY（YYY大学）；Institute of WWW（WWW研究院）
针对带缺失值的不规则多变量时间序列概率预测问题，提出基于条件归一化流的ProFITi模型，引入可逆三角注意力层等组件，在4个数据集上实现比此前最优模型高4倍的似然度。
2025-01-13 cs.LG stat.ML
Generalized Autoregressive Moving Average Models with GARCH Errors
广义自回归模型平均模型（GARMA）是一类重要且广泛使用的非高斯时间序列模型，它为基础时间序列的条件均值过程指定了ARMA结构。然而，在许多应用中，人们经常遇到条件异方差。在本文中，我们提出了一类新的模型，称为GARMA-GARMA模型，共同指定的条件均值和条件方差过程的一般非高斯时间序列。在一般的建模框架下，我们提出了三个具体的模型，作为例子，比例时间序列，非负时间序列，和倾斜和重尾金融时间序列。采用极大似然估计和拟高斯极大似然估计进行参数估计。仿真研究和三个应用程序被用来证明模型和估计程序的属性。
2021-05-12 econ.EM stat.ME
CPDA: Class-Conditional Path Distribution Alignment for Unsupervised Time-Series Domain Adaptation
Fraunhofer Institute for Integrated Circuits IIS（弗劳恩霍夫集成电路研究所）
该研究提出CPDA框架，通过对齐类条件潜在路径分布而非全局特征边际分布，在13个时间序列DA基准上验证其优于30种基线方法，实现无监督时间序列领域自适应的性能提升。
2026-08-11 cs.LG stat.ML
Inference on Time Series Nonparametric Conditional Moment Restrictions Using General Sieves
Cowles Foundation for Research in Economics, Yale University（耶鲁大学考尔斯经济学研究基金会）；Rutgers University（罗格斯大学）；The University of Hong Kong（香港大学）
一般的非线性筛子学习是一类非线性筛子，它们可以比各种线性筛子（或级数）更灵活地近似高维变量的非线性函数。本文研究了基于一般非线性筛拟似然比（GN-QLR）的时间序列数据期望泛函的推断，其中期望泛函是基于满足条件矩约束的非参数函数，并使用多层神经网络进行学习。虽然估计泛函的渐近正态性依赖于一些未知的Riesz代表的功能空间，我们表明，最佳加权GN-QLR统计量是渐近卡方分布，无论是否期望功能是定期（根- $n$估计）或没有。当数据是弱相关的β-混合条件时，这是成立的。我们将我们的方法应用于强化学习中的离政策评估，通过将Bellman方程公式化到条件矩限制框架中，使得我们可以使用所提出的GN-QLR方法对具有时间序列数据的状态特定值泛函进行推断。此外，估计平均偏均值和平均偏导数的非参数工具变量和分位数IV模型也作为领先的例子。最后，一个蒙特卡罗研究表明，有限样本的性能的程序
2023-01-03 cs.LG econ.EM stat.ML
Conformalised Conditional Normalising Flows for Joint Prediction Regions in time series
Hasso Plattner Institute for Digital Engineering（哈索·普拉特纳数字工程学院）；University of California, Irvine（加利福尼亚大学欧文分校）；Hasso Plattner Institute for Digital Health at the Icahn School of Medicine at Mount Sinai（西奈山伊坎医学院哈索·普拉特纳数字健康研究所）
针对保形预测难以适配概率生成模型（如归一化流）的问题，提出保形化条件归一化流的新方法，解决时间序列多步预测的区域获取问题，利用归一化流灵活性生成不相交区域以提升多模态分布下的预测效率。
2024-11-26 cs.LG stat.ML
Testing for the Markov Property in Time Series via Deep Conditional Generative Learning
University of California at Berkeley（加州大学伯克利分校）；London School of Economics and Political Science（伦敦政治经济学院）
本文提出一种基于深度条件生成学习的非参数检验方法，用于检验高维时间序列的马尔可夫性质并推断模型阶数，通过双重稳健统计量和交叉拟合实现参数收敛速度，模拟与实证验证了其有效性。
2023-05-30 cs.LG stat.ML
Probabilistic Forecasting of Regional Net-load with Conditional Extremes and Gridded NWP
嵌入式可再生能源的日益普及使得预测净负荷，消耗较少的嵌入式发电成为一个重大且日益增长的挑战。在这里，提出了一个框架，用于产生净负荷的概率预测，特别注意预测分布的尾部，这是管理与低概率事件相关的风险所需的。根据定义，尾部只有少量数据可用，因此需要特别注意预测模型的估计和预测评估。我们提出了一个解决方案的基础上，最好的同类负荷预测方法，适用于净负荷，和模型的尾部预测分布与广义帕累托分布，允许其参数变化平稳的函数的协变量。由此产生的预测被证明是校准和尖锐比无条件的尾部分布。在基于储备设置的用例启发评估练习中，条件尾部被证明可以减少管理给定风险所需的储备总量。此外，它们还确定了其他方法无法捕捉的高风险时期。因此，所提出的方法使用户能够既降低成本又避免过度风险。
2021-06-25 stat.AP
Conditionally Whitened Generative Models for Probabilistic Time Series Forecasting
Graduate University of Advanced Studies & The Institute of Statistical Mathematics（高级研究大学及统计数学研究所）；East China Normal University（华东师范大学）；The Institute of Statistical Mathematics（统计数学研究所）
本文提出条件性白化生成模型，通过整合条件均值和协方差信息，提升多变量时间序列预测性能。
2026-02-17 cs.LG stat.ML
Generating Personalized Insulin Treatments Strategies with Deep Conditional Generative Time Series Models
University of Zurich（苏黎世大学）；University Hospital of Zurich（苏黎世大学医院）
结合深度生成时间序列模型与决策理论，生成个性化胰岛素治疗方案，以优化住院糖尿病患者的血糖预测与治疗策略。
2023-11-13 cs.LG stat.ML
Learning the Conditional Independence Structure of Stationary Time Series: A Multitask Learning Approach
提出了一种从有限长观测值推断高维高斯向量时间序列（离散时间过程）的条件独立图（CIG）的方法。与现有方法相比，我们不依赖于参数过程模型（例如，自回归模型）。相反，我们只需要过程的某些平滑特性（在傅立叶域中）。如果真正的底层CIG足够稀疏，则所提出的推断方案甚至适用于比标量过程组件的数量小得多的样本量。理论性能分析提供了保证所提出的推理方法传递错误CIG的概率低于规定值的条件。这些条件意味着下限的样本量，使新的方法是渐近一致的。一些数值实验验证了我们的理论性能分析，并表明我们的计划相比，现有的（参数）的方法在模型失配的情况下，性能优越。
2015-01-11 stat.ML
Quantifying Quality of Class-Conditional Generative Models in Time-Series Domain
IAV GmbH（IAV有限公司）；DFKI GmbH（德国人工智能研究中心）；University of Kaiserslautern（凯泽斯劳滕大学）
针对时间序列生成模型缺乏共识质量评估的问题，本文提出 ITS 与 FITD，并在 80 个数据集上验证其与 TSTR 结合可准确评估类别条件生成性能。
2022-10-14 cs.LG stat.ML
Time Series Simulation by Conditional Generative Adversarial Net
Wells Fargo（富国银行）
生成对抗网络（GAN）是一种强大的机器学习工具，可用于图像数据的分析和生成。在本文中，我们提出使用条件生成对抗网络（CGAN）学习和模拟时间序列数据。条件可以是包含不同种类辅助信息的分类变量和连续变量。我们的模拟研究表明，CGAN是能够学习不同类型的正常和重尾分布，以及不同的时间序列的相关结构，它可以进一步生成与训练数据分布一致的条件预测分布。我们还提供了一个深入的讨论的基本原理的GAN和神经网络分层样条绘制一个明确的连接与现有的统计方法的分布生成。在实践中，CGAN在市场风险和交易对手风险分析中有着广泛的应用：它可以用于学习历史数据，生成计算风险价值（VaR）和预期短缺（ES）的情景，并预测市场风险因素的变化。我们提出了一个真实的数据分析，包括回测，以证明CGAN是能够优于历史模拟，一个流行的方法在市场风险分析计算的VaR。CGAN还可以应用于经济时间序列的建模和预测，最后给出了CGAN用于经济模型假设冲击分析和潜在CCAR情景生成的实例。
2019-04-25 cs.LG eess.IV stat.ML
On Conditional Independence Graph Learning From Multi-Attribute Gaussian Dependent Time Series
本文提出了一种基于频率域的惩罚对数似然目标函数，用于从多属性高斯依赖时间序列中学习条件独立图，并在高维情况下建立了收敛性和图恢复的理论条件。
2025-12-08 cs.LG eess.SP stat.ML
MTSCI: A Conditional Diffusion Model for Multivariate Time Series Consistent Imputation
Shanghai Jiao Tong University（上海交通大学）；Chinese Academy of Sciences（中国科学院）
针对多变量时间序列插补的一致性难题，提出条件扩散模型MTSCI，通过对比互补掩码和窗口混合机制保障两类一致性，在多数据集不同缺失场景下取得SOTA性能。
2024-08-11 cs.AI cs.LG stat.ML
Conditional Mutual information-based Contrastive Loss for Financial Time Series Forecasting
KTH Royal Institute of Technology（瑞典皇家理工学院）；RISE Research Institutes of Sweden（瑞典RISE研究院）
我们提出了一个金融时间序列预测的表示学习框架。使用深度学习模型进行金融预测的一个挑战是在使用小数据集时缺乏可用的训练数据。使用在小数据集上训练的深度神经网络进行直接趋势分类容易受到过拟合问题的影响。在本文中，我们建议首先从时间序列数据中学习紧凑的表示，然后使用学习到的表示来训练一个更简单的模型来预测时间序列运动。我们考虑一类条件潜变量模型。我们训练一个编码器网络，以最大化潜在变量和以编码的观测变量为条件的趋势信息之间的互信息。我们表明，条件互信息最大化可以近似的对比损失。然后，问题被转化为一个分类任务，确定两个编码表示是否是从同一类或不采样。这相当于对训练数据点进行成对比较，从而提高了编码器网络的泛化能力。我们使用深度自回归模型作为编码器来捕获序列数据的长期依赖性。实证实验表明，我们提出的方法有可能提高最先进的性能。
2021-05-07 cs.LG stat.ML
Real-valued (Medical) Time Series Generation with Recurrent Conditional GANs
ETH Zurich（苏黎世联邦理工学院）；Tri-Institutional Training Program in Computational Biology and Medicine, Weill Cornell Medical（威尔康奈尔医学院计算生物学与医学三机构联合培养项目）
生成对抗网络（GANs）作为训练模型以产生逼真数据的框架已经取得了显着的成功。在这项工作中，我们提出了一个经常性的GAN（RGAN）和经常性的条件GAN（RCGAN），以产生现实的实值多维时间序列，强调其应用于医疗数据。RGAN在生成器和递归神经网络中使用递归神经网络。在RCGAN的情况下，这两个RNN都以辅助信息为条件。我们在一组玩具数据集中展示了我们的模型，在那里我们直观地和定量地（使用样本可能性和最大平均差异）展示了它们可以成功地生成逼真的时间序列。我们还描述了GANs的新评估方法，其中我们生成一个合成的标记训练数据集，并在真实的测试集上评估在合成数据上训练的模型的性能，反之亦然。我们用这些指标说明，RCGAN可以生成对监督训练有用的时间序列数据，在真实测试数据上的性能只有轻微的下降。这是证明数字分类从“序列化”MNIST和训练的早期预警系统的医疗数据集的17,000名患者从重症监护病房。我们进一步讨论和分析的隐私问题时，可能会出现使用RCGAN生成现实的合成医疗时间序列数据。
2017-12-04 cs.LG stat.ML
Stock Volume Forecasting with Advanced Information by Conditional Variational Auto-Encoder
Faculty of Mathematics, University of Cambridge（剑桥大学数学学院）；School of Mathematical Sciences, Queen Mary University of London（伦敦大学玛丽皇后学院数学科学学院）
本文提出使用条件变分编码器（CVAE）结合再平衡日期等先验信息进行股票成交量预测，生成非线性样本外预测，在准确性和相关性拟合上优于传统线性模型，并可用于场景生成。
2024-06-19 cs.LG q-fin.PR q-fin.ST
Functional kernel estimators of conditional extreme quantiles
我们解决了“极端”条件分位数的估计，即当它们的顺序收敛到一个作为样本量增加。为了得到渐近高斯分布的核估计，给出了它们的阶收敛到1的收敛速率的条件。导出了条件尾指数的Weissman型估计量和核估计量，允许估计任意阶的极端条件分位数。
2012-12-05 math.ST stat.TH
Parsimonious Modeling of Periodic Time Series Using Fourier and Wavelet Techniques
本文针对周期性金融时间序列中传统PGARCH和PACD模型参数过多的问题，提出基于傅里叶和小波的方法，构建更简约的模型并提升预测效率，通过模拟与数据分析验证其有效性。
2025-05-09 stat.ME
Time-series Random Process Complexity Ranking Using a Bound on Conditional Differential Entropy
本文提出基于条件微分熵上界的时间序列复杂度排序方法，利用预测误差协方差矩阵，通过合成实验验证其有效性。
2025-10-23 cs.IT eess.AS eess.SP
Conditional Cauchy-Schwarz Divergence for Time Series Analysis: Kernelized Estimation and Applications in Clustering and Fraud Detection
Imperial College Business School, Imperial College London（伦敦帝国理工学院商学院）
本文提出了一种基于核化的条件柯西-施瓦茨散度估计方法，用于时序分析中的聚类和欺诈检测，通过改进的核技巧和稳健带宽选择提升模型性能。
2026-01-09 stat.ME
Sparse-GEV: Sparse Latent Space Model for Multivariate Extreme Value Time Serie Modeling
University of Southern California（南加州大学）；IBM T.J. Watson Research Center（IBM T.J. Watson研究中心）
在时间序列模型的许多应用中，如气候分析、社交媒体分析等，我们往往对极端事件感兴趣，如热浪、阵风、突发话题等。这些时间序列数据通常呈现重尾分布而不是高斯分布。由于对数据分布的假设差异很大，而且缺乏足够的极端事件过去数据，这对现有方法构成了巨大挑战。在本文中，我们提出了Sparse-GEV模型，一个潜在的状态模型的基础上的极值建模理论，自动学习稀疏的时间依赖性，并作出预测。我们的模型是理论上有意义的，因为它是第一个模型，学习稀疏的时间依赖性之间的多元极值时间序列。我们证明了我们的算法的性能优越的国家的最先进的方法，包括格兰杰因果关系，copula方法和转移熵，一个合成数据集，一个气候数据集和两个Twitter数据集。
2012-06-18 cs.LG stat.AP stat.ME
