TStruct: Learning Shared Temporal Structures for Long-Term Time Series Forecasting
University of Science and Technology of China (USTC)(中国科学技术大学);Suzhou Institute for Advanced Research, USTC(中国科学技术大学苏州高等研究院)
TStruct是一种学习共享时间结构的网络,通过参数化共享时间依赖矩阵等方式,在多数据集上优于基线,实现长期时间序列预测的高效高精度建模。
2026-11-04 cs.AI cs.LG
Anomaly Detection in Event-triggered Traffic Time Series via Similarity Learning
Department of Computer Science and Technology, Tongji University(同济大学计算机科学与技术系);Zhejiang University(浙江大学)
本文提出一种基于分层多分辨率自编码器与高斯混合模型的无监督相似性学习框架,用于事件触发时间序列的异常检测,实验表明其性能显著优于现有方法。
2025-06-20 cs.LG
The impact of data set similarity and diversity on transfer learning success in time series forecasting
Fraunhofer Institute for Integrated Circuits IIS(弗劳恩霍夫集成电路研究所);Fraunhofer Center for Applied Research on Supply Chain Services SCS(弗劳恩霍夫供应链服务应用研究中心);Christian-Albrechts-Universität zu Kiel(基尔基督教阿尔布雷希特大学);Otto-Friedrich-Universität Bamberg(班贝格奥托-弗里德里希大学);Vives University of Applied Science(维维斯应用科技大学);University of Haute-Alsace(上阿尔萨斯大学);Monash University(莫纳什大学)
本文系统研究了源-目标相似性与源多样性对时间序列迁移学习的影响,发现相似性降低偏差,多样性提升准确性与不确定性估计但增加偏差。
2024-07-05 cs.LG
Learning Representations of Event Time Series with Sparse Autoencoders for Anomaly Detection, Similarity Search, and Unsupervised Classification
Stanford University;Center for Astrophysics | Harvard \& Smithsonian
针对事件时间序列不规则、非结构化导致难以提取模式的挑战,提出二维和三维张量表示结合稀疏自编码器学习潜在嵌入,支持异常检测、相似性检索、语义聚类和无监督分类等下游任务,并在X射线天文数据上验证了其有效性与通用性。
2025-10-11 astro-ph.HE astro-ph.IM cs.AI
Learning Temporal Causal Sequence Relationships from Real-Time Time-Series
Indian Institute of Technology Kharagpur(印度理工学院卡拉格普尔分校)
我们的目标是挖掘时间因果序列,解释观察到的事件(后果)的时间序列的痕迹。时间序列中关键事件的因果解释在设计调试、异常检测、规划、根本原因分析等方面都有应用。我们利用决策树和区间算术挖掘序列,解释定义事件的时间序列。我们提出了修改后的决策树建设指标,以处理时间维度引入的非确定性。挖掘出的序列用易于解释的可读时序逻辑语言表示。所提出的方法的应用说明通过各种例子。
2021-01-24 cs.AI cs.LG cs.LO
Temporal Latent Auto-Encoder: A Method for Probabilistic Multivariate Time Series Forecasting
IBM Research(IBM研究院)
高维多变量时间序列的概率预测是一个众所周知的具有挑战性的任务,无论是在计算负担和分布建模。大多数以前的工作要么做简单的分布假设或放弃建模交叉系列的相关性。一个有前途的工作线利用可扩展矩阵分解进行潜在空间预测,但仅限于线性嵌入,无法建模分布,并且在使用深度学习预测时无法进行端到端的训练。我们介绍了一种新的时间潜在自动编码器方法,该方法能够对多变量时间序列进行非线性因式分解,并使用时间深度学习潜在空间预测模型进行端到端学习。通过施加概率潜在空间模型,输入序列的复杂分布通过解码器建模。大量的实验表明,我们的模型在许多流行的多变量数据集上实现了最先进的性能,对于几个标准指标,增益有时高达$50\%$。
2021-01-25 cs.AI cs.LG cs.NE
Towards Spatio-Temporal Aware Traffic Time Series Forecasting--Full Version
Aalborg University(奥尔堡大学);Monash University(莫纳什大学)
交通时间序列预测是具有挑战性的,因为来自不同位置的复杂时空动态时间序列通常具有不同的模式;并且对于相同的时间序列,模式可能随时间而变化,例如,在一天中存在显示出更强的时间相关性的某些时段。尽管最近的预测模型,特别是基于深度学习的模型,显示出有希望的结果,但它们受到时空不可知论的影响。这样的时空不可知模型采用共享参数空间,而不管时间序列位置和时间段,并且它们假设时间模式在位置之间是相似的,并且不会在时间上演变,这可能并不总是成立,从而导致次优结果。在这项工作中,我们提出了一个框架,旨在把时空不可知模型时空感知模型。为此,我们将来自不同位置的时间序列编码为随机变量,从中生成特定于位置和随时间变化的模型参数,以更好地捕捉时空动态。我们展示了如何整合的框架与规范的注意,使时空意识的注意。其次,为了补偿时空感知模型参数生成过程中引入的额外开销,提出了一种新的窗口注意机制,将复杂度从二次降低到线性,使得时空感知注意也具有竞争效率.我们在四个交通时间序列数据集上展示了强有力的经验证据,其中所提出的时空感知注意力在准确性和效率方面优于最先进的方法。这是“Towards Spatio-Temporal Aware Traffic Time Series Forecasting”的扩展版本,将出现在ICDE 2022 [1]中,包括其他实验结果。
2022-04-05 cs.LG
Beyond Similarity: Coverage-Aware Prompt Selection for Time Series Forecasting with LLMs
Yonsei University(延世大学)
针对基于相似性提示选择导致时间序列预测偏置的问题,提出覆盖感知框架CASP-LLM,通过使用跟踪与饱和门控正则化器(无额外参数)在多数基准上匹配或超越现有方法。
2026-09-22 cs.CL cs.LG
Deep TPC: Temporal-Prior Conditioning for Time Series Forecasting
本文提出TPC方法,通过时间先验条件提升时间序列预测性能,实现低参数预算下的长周期预测优化。
2026-02-18 cs.LG
Clustering of Time Series Data with Prior Geographical Information
University of California Irvine(加州大学欧文分校)
时间序列数据在运输系统的各个领域中得到了广泛的研究。交通数据领域具有挑战性的时空数据的例子,因为它是在空间和时间邻域中具有高度相关性的多变量时间序列。交通流数据的时空聚类在空间域和时间域都能发现相似的模式,为交通网络的分析提供了更好的能力,并改进了相关的机器学习模型,如交通流预测和异常检测。在本文中,我们提出了一个时空聚类模型,它聚类的时间序列数据的基础上的空间和时间的背景。我们提出了一个变化的深度嵌入式聚类(DEC)模型,寻找时空集群。提出的模型Spatial-DEC(S-DEC)使用先验地理信息来构建潜在特征表示。我们还定义了时空集群的评价指标。使用DTW距离评价时,得到的聚类不仅具有更好的时间相似性,而且聚类更好地表示空间连通性和不连通性。我们在分析中使用PeMS获得的交通流量数据。实验结果表明,提出的空间离散元算法能够发现更多的期望时空簇。
2021-07-03 cs.LG
SPINEX-TimeSeries: Similarity-based Predictions with Explainable Neighbors Exploration for Time Series and Forecasting Problems
University of Manitoba(曼尼托巴大学);Clemson University(克莱姆森大学);Artificial Intelligence Research Institute for Science and Engineering (AIRISE), Clemson University(克莱姆森大学科学与工程人工智能研究院(AIRISE))
该研究提出面向时间序列预测的SPINEX新算法,利用多尺度相似性与高阶时间交互提升性能,在49个数据集上对比18种算法,精度稳居前5且具备可解释性与中等复杂度,为预测分析提供新方向。
2024-08-04 cs.LG stat.CO stat.ME
Temporal-Spatial dependencies ENhanced deep learning model (TSEN) for household leverage series forecasting
Central University of Finance and Economics(中央财经大学);Beijing Wuzi University(北京物资学院)
由于时空动态的复杂性,分析时间和空间模式以建立准确的金融时间序列预测模型是一项挑战:来自不同位置的时间序列通常具有不同的模式;对于同一时间序列,模式可能会随着时间的推移而变化。受深度学习成功应用的启发,本文提出了一个新的模型来解决中国家庭杠杆率的预测问题。我们的解决方案由多个基于RNN的层和一个注意层组成:每个基于RNN的层自动学习具有多变量外生序列的特定序列的时间模式,然后注意层学习空间相关权重并同时获得全局表示。结果表明,新方法能较好地捕捉到居民杠杆率的时空动态变化,预测结果更加准确可靠。此外,仿真研究还表明,聚类和选择相关序列是必要的,以获得准确的预测结果。
2022-10-17 cs.LG stat.ML
Temporal Attention Evolutional Graph Convolutional Network for Multivariate Time Series Forecasting
College of Information Science and Engineering, China University of Petroleum Beijing(信息科学与工程学院,中国石油大学(北京));Beijing Key Laboratory of Petroleum Data Mining, China University of Petroleum Beijing(北京石油数据挖掘重点实验室,中国石油大学(北京))
本文提出TAEGCN模型,通过结合因果时序卷积、多头自注意力机制和动态图结构构建,有效捕捉多变量时间序列的时空特征,在METR-LA和PEMS-BAY数据集上取得优越预测性能。
2025-05-01 cs.LG
NAST: Non-Autoregressive Spatial-Temporal Transformer for Time Series Forecasting
虽然Transformer在广泛的领域特别是自然语言处理(NLP)领域取得了突破性的成功,但将其应用于时间序列预测仍然是一个巨大的挑战。在时间序列预测中,对标准Transformer模型进行自回归解码不可避免地会引入巨大的累积误差。此外,利用Transformer处理问题中的时空依赖性仍然面临着困难。为了解决这些限制,这项工作是第一次尝试提出一个非自回归Transformer架构的时间序列预测,旨在克服时间延迟和累积误差的问题,在规范的Transformer。此外,本文提出了一种新的时空注意力机制,通过学习的时间影响图来搭建一座桥梁,填补时空注意力之间的空白,从而实现时空依赖的一体化处理。从经验上讲,我们在以自我为中心的多样化未来定位数据集上评估了我们的模型,并在实时性和准确性方面展示了最先进的性能。
2021-05-29 cs.LG stat.ML
Multi-head Temporal Attention-Augmented Bilinear Network for Financial time series prediction
Aarhus University(奥胡斯大学);Tampere University(坦佩雷大学)
金融时间序列预测是时间序列分析中最具挑战性的领域之一。这主要是由于金融时间序列数据的高度非平稳性和噪声性。随着社会的进步努力,设计专门的神经网络结合先前的领域知识,许多金融分析和预测问题已经成功地解决。时间注意力机制是一种神经层设计,最近由于其专注于重要时间事件的能力而流行起来。在本文中,我们提出了一个神经层的时间注意力和多头注意力的思想的基础上扩展的能力,同时关注多个时间实例的底层神经网络。我们的方法的有效性进行了验证,使用大规模的限价订单簿市场数据来预测中间价的运动方向。我们的实验表明,使用多头时间注意模块导致增强的预测性能相比,基线模型。
2022-01-14 cs.CE cs.LG
Temporal-Clustering Invariance in Irregular Healthcare Time Series
Amazon(亚马逊);Carnegie Mellon University(卡内基梅隆大学)
电子记录包含一系列事件,其中一些在一次访问中同时发生,另一些则分散在多次访问中,每次访问都有不同的时间戳。我们假设,精细的时间细节,例如,一系列血液检测是一次完成还是快速连续完成,都不应改变基于这些数据的预测。出于这种直觉,我们提出了模型,用于分析序列的多变量临床时间序列数据是不变的时间聚类。我们提出了一种有效的数据增强技术,该技术利用假设的时间聚类不变性来正则化针对几个临床预测任务优化的深度神经网络。我们引入了两种技术来对不规则时间序列进行时间粗化(下采样):(i)基于规则间隔的时间戳对数据点进行分组;(ii)对它们进行聚类,产生不规则的时间戳。此外,我们提出了一个多分辨率Ensemble(MRE)模型,提高预测精度的集成预测的基础上的输入序列由不同的粗化运营商。我们的实验表明,MRE将基准死亡率预测任务的mAP从51.53%提高到53.92%。
2019-04-27 cs.LG q-bio.QM stat.ML
Measuring Time-Series Dataset Similarity using Wasserstein Distance
Dolby Labs(多利贝实验室);Adobe Research(Adobe研究)
针对时间序列基础模型研究中数据集相似性度量的需求,提出基于Wasserstein距离的分布式度量方法,经实验验证可有效识别相似数据集并高相关度估计基础模型推理性能。
2025-07-29 cs.AI cs.LG
Similarity Preserving Representation Learning for Time Series Clustering
UT Austin(德克萨斯大学奥斯汀分校);JD AI Research(京东人工智能研究院);IBM Research(IBM研究院);Amazon(亚马逊)
大量的聚类算法将实例特征矩阵作为其输入。因此,它们不能直接分析时间序列数据,因为它的时间性质,通常不相等的长度和复杂的属性。这是一个很大的遗憾,因为许多这些算法是有效的,健壮的,高效的,易于使用。在本文中,我们提出了一个有效的表示学习框架,能够将一组不同长度的时间序列转换为实例特征矩阵,从而弥合了这一差距。特别是,我们保证时间序列之间的成对相似性在变换后得到很好的保留,因此学习的特征表示特别适合于时间序列聚类任务。给定一组$n$时间序列,我们首先通过随机抽取$\mathcal{O}(n \log n)$对时间序列并计算它们的成对相似性来构造$n\times n$部分观察相似性矩阵。然后,我们提出了一个有效的算法,解决了一个非凸和NP-困难的问题,学习新的功能的基础上部分观察到的相似性矩阵。通过进行广泛的实证研究,我们表明,所提出的框架是更有效的,高效的,灵活的,相比其他国家的最先进的时间序列聚类方法。
2019-06-02 cs.AI cs.LG
Leveraging Patient Similarity and Time Series Data in Healthcare Predictive Models
University of Utah(犹他大学)
患者时间序列分类面临着高维性和缺失性的挑战。根据患者相似性理论,本研究探索有效的时间特征工程和减少,缺失值填补,和变化点检测方法,可以提供基于相似性的分类模型与期望的准确性增强。我们选择了一个分段聚集近似方法来提取细粒度的时间特征,并提出了一个最小的方法来填补时间特征中的缺失值。对于降维,我们采用了梯度下降搜索方法的特征权重分配。我们提出了新的患者状态和方向变化的定义,根据医学知识或临床指南的值范围为不同的患者状态水平,并开发了一种方法来检测变化点,指示积极或消极的患者状态变化。我们评估所提出的方法的有效性的背景下,早期重症监护病房死亡率预测。评估结果表明,k-最近邻算法,结合我们选择的方法,并提出显着优于早期ICU死亡率预测的相关基准。本研究通过识别和增强基于相似性的时间序列分类的时间特征工程和约简方法,为时间序列分类和早期ICU死亡率预测做出贡献。
2017-04-30 cs.AI cs.LG
Proximity Forest 2.0: A new effective and scalable similarity-based classifier for time series
Monash University(莫纳什大学)
本文提出Proximity Forest 2.0时间序列分类器,通过融合提前放弃剪枝、ADTW新度量和代价函数调优,并将基础度量从八个精简为三个且统一使用一阶导数变换,在UCR基准上超越现有基于相似性及部分核、神经网络和混合方法。
2023-04-13 cs.AI cs.LG
TSDS-Toolbox: A Toolbox for Measuring Time-Series Dataset Similarity
National Yang Ming Chiao Tung University(国立阳明交通大学);Dolby Laboratories(杜比实验室);Adobe Research(奥多比研究院)
该研究针对现有时间序列数据集相似度基准实现零散难扩展的问题,提出TSDS-Toolbox工具箱,支持系统比较、灵活扩展与一致评估,经实验验证有效且公开可用。
2026-08-11 cs.LG
Time Series Similarity Score Functions to Monitor and Interact with the Training and Denoising Process of a Time Series Diffusion Model applied to a Human Activity Recognition Dataset based on IMUs
AI for Sensor Data Analytics Research Group, Ulm University of Applied Sciences(人工智能传感器数据解析研究组,乌尔姆应用科学大学)
本研究提出利用时间序列相似度评分函数优化扩散模型的训练过程,以提升生成数据的质量并减少训练时间。
2025-05-20 cs.AI cs.LG
Towards Similarity-Aware Time-Series Classification
Rice University(莱斯大学)
本文研究了时间序列数据采掘的一个基本任务--时间序列分类。先前的工作已经从两个主要方向接近TSC:(1)基于最近邻对时间序列进行分类的基于相似性的方法,以及(2)以数据驱动的方式直接学习分类表示的深度学习模型。受这两条研究线内不同工作机制的激励,我们的目标是以这样一种方式将它们连接起来,以便联合建模时间序列相似性并学习表示。这是一项具有挑战性的任务,因为我们还不清楚如何有效地利用相似性信息。为了应对这一挑战,我们提出了相似性感知时间序列分类(SimTSC),这是一个概念上简单而通用的框架,它使用图神经网络(GNNs)对相似性信息进行建模。具体来说,我们制定TSC作为一个节点分类问题的图形,其中的节点对应于时间序列,和链接对应于成对的相似性。为了提高训练效率,我们进一步设计了一种图的构造策略和一种带负采样的批量训练算法。我们使用ResNet作为骨干,动态时间规整(DTW)作为相似性度量来实例化SimTSC。在完整的UCR数据集和多个多变量数据集上进行的大量实验证明了在监督和半监督设置下将相似性信息纳入深度学习模型的有效性。我们的代码可在https://github.com/daochenzha/SimTSC上获得
2022-01-06 cs.LG
Free congruence: an exploration of expanded similarity measures for time series data
University of Southern California(南加利福尼亚大学);Universität für Musik und darstellende Kunst Graz(格拉茨音乐与表演艺术大学)
时间序列相似性度量在包括训练机器学习模型、分类和预测建模在内的广泛的新兴应用中是高度相关的。时间序列的标准相似性度量通常涉及点对点距离度量,包括欧氏距离和动态时间弯曲。这种相似性度量基本上要求被比较的时间序列中的值的波动遵循要建立的相似性的相应顺序或节奏。本文是由探索更广泛的定义相似性,即一个考虑到纯粹的数值之间的相似性的时间序列段的统计特性集的价值标签无关的刺激。此外,时间序列段之间是否存在共同的模式成分进行了检查,即使它们以排列顺序出现,这不一定满足更传统的点对点距离测量的标准。在相同的上下文数据上,将结果与动态时间规整的结果进行了比较。令人惊讶的是,测试的统计属性集之间的数值相似性建立了一个更强的相似性配对的下降年更大的统计意义比动态时间弯曲的特定数据和样本量使用。
2021-01-17 cs.LG
TEX-MEX: Similarity-Guided Temporal Contrastive Learning for Time Series
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Department of Computer Science, University of Memphis(孟菲斯大学计算机科学系)
TEX-MEX是首个统一时间序列结构与时序相似度的对比学习方法,在多类生理等数据上达最优性能,其56万参数PPG基础模型规模小、性能优,将开源支持相关研究。
2026-10-14 cs.AI cs.LG
NeuralWarp: Time-Series Similarity with Warping Networks
Information Systems and Machine Learning Lab(信息系统与机器学习实验室)
时间序列相似性度量的研究强调了弹性方法的必要性,这些方法可以调整时间序列对的索引,并且已经提出了大量的非参数方法。另一方面,深度学习方法在密切相关的领域占主导地位,例如学习图像和文本句子相似性。在本文中,我们提出了\textit{NeuralWarp},一种新的措施,模型对齐的时间序列索引在深表示空间,通过建模的翘曲函数作为一个上层神经网络之间的深度编码的时间序列值。实验结果表明,\textit{NeuralWarp}在一系列不同的现实生活数据集上的性能优于非参数和未扭曲的深度模型。
2018-12-20 cs.LG stat.ML
Series2Vec: Similarity-based Self-supervised Representation Learning for Time Series Classification
Monash University(莫纳什大学)
针对时间序列自监督学习正样本相似性不足的问题,提出基于时域频域相似性预测的Series2Vec方法,结合顺序不变注意力,在多数据集上性能优于现有自监督方法,可媲美全监督且适配少标签场景,融合其他模型可进一步提升分类效果。
2023-12-12 cs.LG
Early Detection of Multidrug Resistance Using Multivariate Time Series Analysis and Interpretable Patient-Similarity Representations
URJC(乌拉圭国家研究委员会)
本研究提出可解释的机器学习框架,利用多变量时间序列分析患者相似性,通过图网络和聚类实现多重耐药早期预测,AUC达81%,优于基线模型。
2025-04-24 cs.AI cs.LG
Spectral Temporal Graph Neural Network for Multivariate Time-series Forecasting
Peking University(北京大学);Microsoft(微软);ETH Zürich(苏黎世联邦理工学院)
多变量时间序列预测在许多实际应用中起着至关重要的作用。这是一个具有挑战性的问题,因为需要同时考虑序列内的时间相关性和序列间的相关性。最近,已经有多个作品试图捕捉这两种相关性,但大多数,如果不是全部的话,他们只捕捉时间域中的时间相关性,并诉诸于预定义的先验序列间的关系。为了进一步提高多变量时间序列预测的精度,本文提出了谱时间图神经网络(StemGNN)。StemGNN捕获\textit{spectral domain}中的序列间相关性和时间依赖性\textit{jointly}。它结合了图形傅立叶变换(GFT)和离散傅立叶变换(DFT),前者对序列间相关性进行建模,后者对端到端框架中的时间依赖性进行建模。在经过GFT和DFT之后,谱表示保持清晰的模式,并且可以通过卷积和顺序学习模块来有效地预测。此外,StemGNN自动从数据中学习序列间相关性,而无需使用预定义的先验知识。我们在十个真实世界的数据集上进行了广泛的实验,以证明StemGNN的有效性。代码可在https://github.com/microsoft/StemGNN/上获得
2021-03-13 cs.AI cs.LG
Contrast Similarity-Aware Dual-Pathway Mamba for Multivariate Time Series Node Classification
针对多元时间序列节点分类中长程依赖建模难与相似性获取低效的问题,提出对比相似性感知双路径Mamba(CS-DPMamba),结合时间对比学习、FastDTW、双向Mamba及KAN增强GIN,在UEA数据集上监督与半监督实验均验证优越性。
2025-06-18 cs.AI cs.LG
Learnable Dynamic Temporal Pooling for Time Series Classification
POSTECH(浦项科技大学)
随着可用时间序列数据的增加,预测其类别标签已成为众多学科中最重要的挑战之一。最近的时间序列分类研究表明,卷积神经网络(CNN)实现了最先进的性能作为一个单一的分类器。在这项工作中,指出,通常采用现有的CNN分类器的全局池层丢弃的高级别功能的时间信息,我们提出了一个动态的时间池(DTP)技术,通过聚集在段级别的功能,减少隐藏表示的时间大小。为了将整个系列划分为多个片段,我们利用动态时间规整(DTW)将每个时间点按时间顺序与片段的原型特征对齐,这些特征可以与CNN分类器的网络参数同时优化。与全连接层相结合的DTP层有助于提取进一步的判别特征,考虑到它们在输入时间序列中的时间位置。在单变量和多变量时间序列数据集上的大量实验表明,我们提出的池化方法显着提高了分类性能。
2021-04-02 cs.AI cs.LG
LB-SimTSC: An Efficient Similarity-Aware Graph Neural Network for Semi-Supervised Time Series Classification
George Mason University(乔治梅森大学);Thomas Jefferson High School for Science and Technology(托马斯·杰斐逊科技高中)
提出LB-SimTSC,利用DTW下界LB_Keogh以线性时间构建图,解决SimTSC因DTW二次复杂度难以扩展的问题,在大型数据集上图构建速度提升达104倍且分类准确率无显著下降。
2023-09-05 cs.AI cs.LG
Patient Similarity Computation for Clinical Decision Support: An Efficient Use of Data Transformation, Combining Static and Time Series Data
Department of Computer Science and Engineering, Bangladesh University of Engineering and Technology, Dhaka, Bangladesh(计算机科学与工程系,孟加拉国工程与技术大学,达卡,孟加拉国);College of Information Technology, United Arab Emirates University(信息技术学院,阿拉伯联合酋长国大学)
本文提出结合静态与时间序列数据的分布式患者相似度计算方法,通过 aWOE、Z-score 转换及分布式 DTW 提升隐私保护、预测性能与计算效率。
2025-06-08 cs.AI cs.LG
Latent Structural Similarity Networks for Unsupervised Discovery in Multivariate Time Series
Independent Researcher(独立研究者);University of Cambridge(剑桥大学)
本文提出了一种用于多变量时间序列无监督发现的潜在结构相似性网络,通过无监督学习构建实体间关系图,展示潜在相似性对网络结构的影响。
2026-01-15 cs.LG
Elastic Similarity and Distance Measures for Multivariate Time Series
Monash University(莫纳什大学);Univ. Bretagne Sud(南布列塔尼大学);IRISA(法国信息与随机系统研究所);CNRS(法国国家科学研究中心)
本文提供了七种常用的弹性相似性和距离测度的多变量版本,用于时间序列数据分析。弹性相似性和距离度量是一类可以补偿时间序列数据在时间轴上的不对齐的相似性度量。我们适应两个现有的策略中使用的多变量版本的著名的动态时间规整(DTW),即独立和依赖DTW,这七个措施。虽然这些措施可以应用于各种时间序列分析任务,我们证明了他们的效用多变量时间序列分类使用最近邻分类器。在23个著名的数据集上,我们证明了除了一个之外的每一个测量都在至少一个数据集上相对于其他测量达到了最高的准确度,这支持了开发一套多变量相似性和距离测量的价值。我们还证明,有数据集的依赖版本的所有措施是更准确的比他们的独立同行,反之亦然。此外,我们还构建了一个最近邻为基础的集成的措施,并表明它是竞争力的其他国家的最先进的单策略的多元时间序列分类器。
2023-01-17 cs.LG stat.ML
Clustering Time-Series by a Novel Slope-Based Similarity Measure Considering Particle Swarm Optimization
Southern Methodist University(南卫理公会大学);Amirkabir University of Technology(阿米尔卡比尔理工大学)
由于时间序列在各个领域的广泛存在,近年来对时间序列数据采掘的研究越来越多,特别是时间序列聚类。时间序列形式的大量数据使得有必要采用诸如聚类的各种技术来理解数据并提取信息和隐藏模式。在聚类领域,特别是时间序列聚类中,最重要的方面是所使用的相似性度量和用于进行聚类的算法。在本文中,一个新的相似性度量的时间序列聚类的基础上开发的一个简单的时间序列表示,斜率的时间序列的每一段,欧氏距离和所谓的动态时间弯曲的组合。本文证明了所提出的距离度量是度量的,从而可以应用索引。对于聚类任务,采用粒子群优化算法。建议的相似性度量进行比较,现有的三种措施,用于评估聚类算法的各种标准。结果表明,该方法在几乎所有的数据集上都优于其他方法。
2019-12-05 cs.LG cs.NE stat.ML
Time-Series Representation Learning via Temporal and Contextual Contrasting
Nanyang Technological University(南洋理工大学);Institute for Infocomm Research, A*STAR(新加坡科技研究局资讯通信研究院)
从具有时间动态的未标记时间序列数据中学习合适的表示是一项非常具有挑战性的任务。在本文中,我们提出了一个无监督的时间序列表示学习框架通过时间和上下文对比(TS-TCC),学习时间序列表示从未标记的数据。首先,原始的时间序列数据被转换成两个不同的,但相关的意见,通过使用弱和强增强。其次,我们提出了一种新的时间对比模块,通过设计一个艰难的跨视图预测任务来学习鲁棒的时间表示。最后,为了进一步学习区分性表征,我们提出了一个上下文对比模块,该模块建立在时间对比模块的上下文之上。它试图最大化相同样本的不同上下文之间的相似性,同时最小化不同样本的上下文之间的相似性。在三个真实世界的时间序列数据集上进行了实验。结果表明,在我们提出的TS-TCC学习的特征之上训练线性分类器与监督训练相比具有更好的性能。此外,我们提出的TS-TCC在少标记数据和迁移学习场景中表现出很高的效率。该代码可在https://github.com/emadeldeen24/TS-TCC上公开获取。
2021-06-26 cs.AI cs.LG
Temporal-Conditioned Normalizing Flows for Multivariate Time Series Anomaly Detection
本文提出时间条件归一化流框架,通过建模时间依赖性与不确定性,实现多变量时间序列的高效异常检测。
2026-03-10 cs.AI cs.LG
Deep Spatially and Temporally Aware Similarity Computation for Road Network Constrained Trajectories
Zhejiang University(浙江大学);Aalborg University(奥尔堡大学)
轨迹相似性计算已经引起了广泛的关注,因为它是诸如乘车共享、交通分析和社交推荐等广泛应用中的核心功能。受最近深度学习技术的成功的激励,研究人员开始致力于基于学习的相似性分析,以克服局限性(即,成本高,适应性差)。具体而言,深度轨迹相似性计算旨在学习距离函数,该距离函数可以通过神经网络评估两个轨迹的相似程度。然而,现有的基于学习的方法专注于空间相似性,但忽略了时间维度的轨迹,这是次优的时间感知应用程序。此外,他们往往忽略了嵌入到道路网络的轨迹,限制了他们在现实场景中的适用性。在本文中,我们提出了一个有效的基于学习的框架,称为ST2Vec,在道路网络中执行有效的空间和时间感知的轨迹相似性计算。最后,使用三个真实轨迹数据集进行的广泛实验评估表明,ST2Vec大大优于所有最先进的方法。
2022-02-27 cs.DB cs.LG
GM-CTSC at SemEval-2020 Task 1: Gaussian Mixtures Cross Temporal Similarity Clustering
University of Bari(巴里大学);Dublin City University(都柏林城市大学)
本文描述了SemEval-2020任务1:无监督词汇语义变化检测的系统。我们的方法集中在检测问题上。鉴于在不同时间段的时间词嵌入捕获的单词的语义,我们研究了使用无监督的方法来检测目标词何时获得或失去意义。为此,我们定义了一个新的算法的基础上高斯混合模型的目标相似性计算在两个时期的聚类。我们比较了所提出的方法与一些基于相似性的阈值。我们发现,尽管检测方法的性能在不同的词嵌入算法中有所不同,但高斯混合与时间参考的组合产生了我们最好的系统。
2020-05-20 cs.CL cs.LG
Advancing multivariate time series similarity assessment: an integrated computational approach
International Centre of Insect Physiology and Ecology (icipe)(国际昆虫生理与生态中心);Faculty of Science, University of Dschang(大学丁加角学院);University of KwaZulu-Natal(夸祖鲁-纳塔尔大学);African Union Inter-African Phytosanitary Council (AU-IAPSC)(非洲联盟国际非洲植物检疫委员会)
本文提出综合计算方法MTASA,通过混合优化时间序列对齐与多处理引擎,有效解决多元时间序列相似性评估中的大数据集与时间错位挑战,准确率提升约1.5倍且速度翻倍。
2024-03-16 cs.LG
Revisiting Spatial-Temporal Similarity: A Deep Learning Framework for Traffic Prediction
Pennsylvania State University(宾夕法尼亚州立大学)
由于大规模交通数据的可用性及其在现实世界中的重要性,交通预测在人工智能研究领域引起了越来越多的关注。例如,准确的出租车需求预测可以帮助出租车公司预先分配出租车。交通预测的关键挑战在于如何对复杂的空间相关性和时间动态性进行建模。虽然这两个因素都已被考虑在建模中,现有的作品作出强有力的假设空间依赖性和时间动态,即,空间依赖性在时间上是稳定的,而时间动态是严格周期性的。然而,在实践中,空间依赖性可以是动态的(即,随时间变化),并且时间动态从一个周期到另一个周期可能具有一些扰动。在本文中,我们做了两个重要的观察:(1)位置之间的空间依赖是动态的;(2)时间依赖遵循每日和每周的模式,但它不是严格的周期性的动态时间转移。为了解决这两个问题,我们提出了一种新的时空动态网络(STDN),其中引入了流门机制来学习位置之间的动态相似性,并设计了一个周期性转移的注意力机制来处理长期的周期性时间转移。据我们所知,这是在一个统一的框架内处理这两个问题的第一项工作。在真实交通数据集上的实验结果验证了该方法的有效性。
2018-11-03 cs.LG
Towards Improving Long-Tail Entity Predictions in Temporal Knowledge Graphs through Global Similarity and Weighted Sampling
USC Information Sciences Institute(USC信息科学研究所);Adobe Research(Adobe研究)
本文提出模型无关的TKG增量训练框架,通过全局实体相似性增强层和长尾加权采样,提升总体、归纳链接预测及长尾实体预测性能。
2025-07-25 cs.AI cs.LG
Similarity Learning for Time Series Classification
Univ Lyon(里昂大学);UJM-Saint-Etienne(圣埃蒂安让·莫内大学);CNRS(法国国家科学研究中心);Institut d Optique Graduate School(法国光学研究所研究生院);Grenoble-Alps University(格勒诺布尔-阿尔卑斯大学)
多元时间序列自然存在于许多领域,如能源,生物信息学,信号处理和金融。这些应用程序中的大多数都需要能够比较这些结构化数据。在这种情况下,动态时间规整(DTW)可能是最常见的比较措施。然而,并没有太多的研究工作已经投入到改善它的学习。在本文中,我们提出了一种新的方法来学习相似性DTW的基础上,以提高时间序列分类。利用统一的稳定性框架,我们提供了第一个理论保证的形式,线性分类的推广界。实验结果表明,该方法是有效的,同时产生稀疏分类器。
2016-10-15 cs.LG
An Empirical Evaluation of Similarity Measures for Time Series Classification
Artificial Intelligence Research Institute (IIIA-CSIC)(人工智能研究所(IIIA-CSIC));Spanish National Research Council(西班牙国家研究委员会)
时间序列是普遍存在的,并且评估它们的相似性的度量是许多计算系统的核心部分。特别是,相似性度量是时间序列聚类和分类系统中最重要的组成部分。由于这种重要性,无数的方法来估计时间序列的相似性已被提出。然而,缺乏使用实证、严格、定量和大规模评估策略的比较研究。在这篇文章中,我们提供了一个广泛的评估相似性措施的时间序列分类遵循上述原则。我们认为7种不同的措施来自替代措施的“家庭”,和45个公开的时间序列数据集来自各种各样的科学领域。我们专注于样本外的分类精度,但样本内的精度和参数的选择也进行了讨论。我们的工作基于严格的评估方法,包括使用强大的统计显著性检验来得出有意义的结论。所得到的结果表明,在准确性方面,一些措施的等效性,但与一个单一的候选人优于其余的。这些调查结果,加上所采用的方法,请实地研究人员采用更一致的评价标准,并就新发展应与之比较的基线措施作出更知情的决定。
2014-01-16 cs.CV cs.LG stat.ML
Meet JEANIE: a Similarity Measure for 3D Skeleton Sequences via Temporal-Viewpoint Alignment
the Australian National University (ANU)(澳大利亚国立大学);Singapore University of Technology and Design(新加坡科技设计大学);Curtin University(科廷大学);Australian National University (ANU)(澳大利亚国立大学)
本文提出了一种用于3D骨架序列的联合时间和相机视角对齐方法JEANIE,通过模拟相机视角并联合调整时间块匹配来消除无用变化,在有监督和无监督的少样本动作识别任务中取得了最先进的结果。
2024-03-25 cs.AI cs.CV cs.LG
SEAnet: A Deep Learning Architecture for Data Series Similarity Search
LIPADE, Université Paris Cité(巴黎西岱大学LIPADE实验室)
本文提出SEAnet,一种基于深度神经网络的新型架构,用于改进数据序列相似性搜索任务,通过引入平方和保留属性和改进的采样策略提升性能。
2026-04-02 cs.DB cs.LG
Deep Distance Measurement Method for Unsupervised Multivariate Time Series Similarity Retrieval
本文提出DDMM方法,通过学习时间序列中状态的微小差异提升相似性检索准确性,实验显示其在造纸厂数据集上优于现有方法,并在工业应用中有效。
2026-03-13 cs.LG
Predictive Associative Memory: Retrieval Beyond Similarity Through Temporal Co-occurrence
Independent Researcher(独立研究者)
本文提出预测性关联记忆(PAM),通过时间共现学习嵌入空间的关联结构,实现超越相似性的检索,实验显示其在关联召回和区分能力上表现优异。
2026-02-11 cs.AI cs.IR cs.LG
Beyond Point Matching: Evaluating Multiscale Dubuc Distance for Time Series Similarity
Department of Computer Science, University of Missouri-St. Louis, MO, USA(计算机科学系,密苏里州立大学)
本文评估多尺度杜布克距离(MDD)在时间序列相似性上的表现,证明其相比动态时间规整(DTW)在多个时间尺度上避免点匹配,且在模拟和UCR数据集及真实分类任务中均显著优于DTW。
2025-10-21 astro-ph.SR cs.LG
Error-bounded Approximate Time Series Joins Using Compact Dictionary Representations of Time Series
Visa Research(Visa研究院);University of California, Riverside(加州大学河滨分校)
针对现有矩阵轮廓近似连接研究多聚焦自连接的问题,提出基于时间序列紧凑字典表示的误差有界近似跨序列相似性连接方法,可将异常挖掘系统吞吐量提升至少20倍且准确率基本无降,还能提供语义化洞见,已在多领域验证效用。
2023-11-05 cs.DB cs.LG
Surface Similarity Parameter: A New Machine Learning Loss Metric for Oscillatory Spatio-Temporal Data
Hamburg University of Technology(汉堡工业大学);Imperial College London(帝国理工学院)
受监督的机器学习方法需要在训练阶段最小化损失泛函的公式化。序列数据在许多研究领域中普遍存在,并且通常使用为表格数据设计的基于欧氏距离的损失函数来处理。对于平滑振荡数据,这些常规方法缺乏同时惩罚幅度、频率和相位预测误差的能力,并且倾向于偏向幅度误差。我们引入了表面相似性参数(SSP)作为一种新的损失函数,特别适用于在光滑振荡序列上训练机器学习模型。我们对混沌时空动力学系统的大量实验表明,SSP有利于形成梯度,从而加快训练过程,减少最终的预测误差,增加权重初始化的鲁棒性,并实现更强的正则化效果相比,使用经典的损失函数。结果表明,特别是对于高度复杂和混乱的数据,如来自非线性二维Kuramoto-Sivashinsky方程和流体中色散表面重力波的线性传播的数据的新的损失度量的潜力。
2022-09-29 cs.LG
Ranking and significance of variable-length similarity-based time series motifs
Artificial Intelligence Research Institute (IIIA-CSIC)(人工智能研究所(IIIA-CSIC));Centre de Recerca Matemàtica(数学研究中心)
在时间序列中检测非常相似的模式,通常称为基序,已经受到不同科学界的持续和越来越多的关注。特别是,最近已经提出了用于发现不同长度的相似基序的方法。在这项工作中,我们表明,这种可变长度的相似性为基础的图案不能直接比较,因此排名,他们的归一化的差异。具体来说,我们发现,长度归一化的基序的差异仍然有内在的依赖性的基序长度,最低的差异特别是这种依赖性的影响。此外,我们发现这种依赖关系通常是非线性的,并随着所考虑的数据集和相异性度量而变化。基于这些发现,我们提出了一个解决方案,这些图案的排名和衡量其意义。该解决方案依赖于相异性空间的紧凑但准确的模型,使用具有三个参数的β分布,这三个参数以非线性方式取决于基序长度。我们相信,可变长度差异的不可比性可能超出时间序列的领域,并且类似的建模策略在更广泛的背景下可能会有所帮助。
2015-03-06 cs.LG
Temporal Knowledge Graph Embedding Model based on Additive Time Series Decomposition
University of Bonn(波恩大学);Fraunhofer IAIS(弗劳恩霍夫智能分析与信息系统研究所)
知识图谱(KG)嵌入是近年来研究的热点。大多数KG嵌入模型从时间未知的三元组学习。然而,在三元组旁边包含时间信息将进一步提高KGE模型的性能。在这方面,我们提出ATiSE,时间KG嵌入模型,将时间信息到实体/关系表示使用加法时间序列分解。此外,考虑到实体/关系表示随时间演变过程中的时间不确定性,我们将时间KG的表示映射到多维高斯分布空间中。每个实体/关系在一个时间步嵌入的平均值显示了当前的预期位置,而其协方差(时间上是平稳的)表示其时间不确定性。实验结果表明,ATiSE在四个时间KG上的链接预测方面处于领先地位。
2020-10-28 cs.AI cs.LG stat.ML