Meta-Forecasting by combining Global Deep Representations with Local Adaptation
IIT(意大利理工学院);UCL(伦敦大学学院);Amazon Web Services(亚马逊云服务)
虽然经典的时间序列预测孤立地考虑单个时间序列,但基于深度学习的最新进展表明,从大量相关时间序列中联合学习可以提高预测准确性。然而,当对样本外时间序列建模时,这些方法的准确性会受到很大影响,与经典预测方法相比,显着限制了它们的适用性。为了弥合这一差距,我们采用元学习的时间序列预测问题的观点。我们引入了一种新的预测方法,称为Meta全局-局部自回归(Meta-GLAR),它通过学习从递归神经网络(RNN)产生的表示到一步预测的封闭形式的映射来适应每个时间序列。至关重要的是,RNN的参数是通过封闭形式的自适应机制通过反向传播在多个时间序列中学习的。在我们广泛的实证评估中,我们表明,我们的方法是有竞争力的国家的最先进的样本预测精度在早期的工作。
2021-11-12 cs.AI cs.LG stat.ML
Combining time-series and textual data for taxi demand prediction in event areas: a deep learning approach
Technical University of Denmark (DTU)(丹麦技术大学(DTU))
准确的时间序列预测是至关重要的许多领域的应用,如交通,能源,金融,经济等,然而,虽然现代技术能够探索大量的时间数据集建立预测模型,他们通常忽略了有价值的信息,往往是在非结构化文本的形式。虽然这些数据的格式完全不同,但它通常包含对时态数据中观察到的许多模式的上下文解释。在本文中,我们提出了两种深度学习架构,它们利用词嵌入、卷积层和注意力机制将文本信息与时间序列数据相结合。我们将这些方法应用于活动区域的出租车需求预测问题。使用公开的出租车数据从纽约,我们的经验表明,通过融合这两个互补的跨模态信息源,所提出的模型能够显着减少预测的误差。
2018-08-16 cs.CL cs.LG stat.ML
High Dimensional Time Series Regression Models: Applications to Statistical Learning Methods
本文概述高维时间序列回归模型的估计与推断方法,涵盖高维相依数据极限理论、多协变量回归渐近理论及统计学习在时间序列分析中的应用。
2023-08-27 econ.EM stat.ML
Combining Statistical Features and Deep Encodings for Rehearsal-Based Class-Incremental Time Series Classification
atlanTTic – ICLAB, Universidade de Vigo(atlanTTic–ICLAB,维戈大学);Centro Tecnolóxico de Telecomunicacións de Galicia (GRADIANT)(加利西亚电信技术中心(GRADIANT));Universidade de Vigo(维戈大学)
提出一种双流特征提取管道(结合预训练冻结基础模型的深度时间嵌入特征与统计特征),用于多变量时间序列的类增量持续学习,在五个基准数据集上实现了有竞争力的平均准确率和低遗忘率。
2026-06-02 cs.LG stat.ML
Applications of Universal Source Coding to Statistical Analysis of Time Series
Siberian State University of Telecommunications and Informatics(西伯利亚国立电信与信息大学)
我们展示了如何通用代码可以用来解决一些最重要的时间序列统计问题。根据定义,通用代码(或通用无损数据压缩器)可以将由平稳和遍历源生成的任何序列渐近压缩到香农熵,而香农熵又是无损数据压缩器可实现的最佳比率。本文研究了有限字母表时间序列和实值时间序列的极限概率估计、实值时间序列的密度估计、在线预测、回归、分类等问题(或附带信息的问题)以及以下假设检验问题:拟合优度检验或同一性检验,以及序列独立性检验。值得注意的是,所有问题都是在经典数理统计的框架内考虑的,另一方面,日常的数据压缩(或存档)方法可以用作估计和测试的工具。事实证明,在实践中应用时,建议的方法和测试往往比已知的方法和测试更强大。
2008-09-07 cs.AI cs.IT math.IT
Inter Time Series Sales Forecasting
在大多数时间序列中,不同模型的组合预测表现出比单一预测更好的效果。为了提高预测质量,可以进行组合预测。我们研究了将一个序列分解为多个组成部分并分别对每个组成部分进行预测的效果。原始序列被分解为趋势,季节性和每个序列的不规则分量。利用ARIMA、Holt-Winter等统计方法对这些分量进行了预测。在本文中,我们专注于如何一个系列的最佳模型可以应用到相似的频率模式序列预测使用关联挖掘。与Holt Winter方法的预测值进行了比较,结果表明该方法的预测效果优于Holt Winter方法
2013-03-01 stat.AP
Reducing statistical time-series problems to binary classification
SequeL-INRIA/LIFL-CNRS(SequeL-法国国家信息与自动化研究所/法国国家科学研究中心LIFL实验室);Université de Lille(里尔大学)
我们展示了如何开发二进制分类方法来处理独立同分布。数据可用于解决看似与分类无关且涉及高度依赖的时间序列的统计问题。具体而言,时间序列聚类,同质性检验和三个样本问题的解决。我们构造的算法来解决这些问题是基于时间序列分布之间的一个新的度量,可以使用二进制分类方法进行评估。在最一般的假设下,证明了所提出的算法的普遍一致性。理论结果与实验合成和真实世界的数据。
2013-06-07 cs.LG stat.ML
A Hybrid Framework Combining Autoregression and Common Factors for Matrix Time Series
Shanghai Jiao Tong University(上海交通大学);Tongji University(同济大学)
本文提出一种结合自回归与共同因素的混合框架,用于高维矩阵时间序列建模,通过分解系数矩阵实现降维并提升预测效率。
2026-01-13 econ.EM stat.ME
Comparing statistical and machine learning methods for time series forecasting in data-driven logistics -- A simulation study
TU Dortmund University(多特蒙德工业大学);UA Ruhr(鲁尔UA联盟);Research Center Trustworthy Data Science and Security(可信数据科学与安全研究中心)
本文通过模拟线性和非线性时间序列,系统比较统计学习方法与机器学习方法在物流场景中的一步预测性能,为数据驱动物流预测方法选择提供依据。
2024-06-06 cs.LG stat.ML
Machine Learning vs Statistical Methods for Time Series Forecasting: Size Matters
INESC TEC(INESC技术研究所);University of Porto(波尔图大学);Dalhousie University(达尔豪斯大学)
时间序列预测是当前最活跃的研究课题之一。机器学习方法已经越来越多地被采用来解决这些预测任务。然而,在最近的一项工作中,这些方法被证明系统地呈现出相对于简单统计方法较低的预测性能。在这项工作中,我们反对这些结果。我们表明,这些都是有效的,只有在一个非常低的样本量。使用学习曲线方法,我们的研究结果表明,随着样本量的增长,机器学习方法提高了它们的相对预测性能。复制实验的代码可在https://github.com/vcerqueira/MLforForecasting上获得。
2019-09-29 cs.LG stat.ML
When are dynamical systems learned from time series data statistically accurate?
Georgia Tech(佐治亚理工学院);Emory University(埃默里大学);University of Chicago(芝加哥大学)
针对传统泛化概念无法评估动力系统学习模型物理行为捕捉能力的问题,提出遍历论方法分析遍历系统神经表示的泛化性,解释Neural ODEs泛化差及雅可比信息提升统计准确性的原因并验证。
2025-06-17 cs.LG math-ph math.DS
Spurious predictions with random time series: The Lasso in the context of paleoclimatic reconstructions. Discussion of: A statistical analysis of multiple temperature proxies: Are reconstructions of surface temperatures over the last 1000 years reliable?
多个温度代理的统计分析:过去1000年地表温度的重建可靠吗?”B. B。McShane和A.J. Wyner [arXiv:1104.4002]
2011-04-21 stat.AP
Statistical validation of financial time series via visibility graph
复杂系统的统计物理学利用网络理论不仅建模,而且还有效地从许多动态现实世界系统中提取信息。金融系统提供了一个关键的研究案例:市场预测是一个尚未解决的科学挑战,但对社会有着至关重要的影响,因为金融危机对实体经济有着毁灭性的影响。因此,如今,寻求一个稳健的市场有效性估计是一个科学和制度的优先事项。在这项工作中,我们研究的能见度图建立从时间序列的几个贸易市场指数。我们提出了一个验证程序,这些图的每个环节对来自ARCH型建模等系列的零假设。在这个框架的基础上,我们设计了一个市场指标,结果证明是高度相关的,甚至预测金融不稳定时期。
2017-10-30 cs.SI physics.soc-ph q-fin.RM
Exploiting statistical dependencies of time series with hierarchical correlation reconstruction
Jagiellonian University(雅盖隆大学)
虽然我们通常专注于预测时间序列的未来值,但额外预测其整个概率分布通常是有价值的,例如评估风险,蒙特卡洛模拟。在$\approx$ 30000道琼斯工业指数的时间序列的示例中,将呈现用于此目的的分层相关重构的应用:MSE估计多项式作为(当前值,上下文)的联合密度,其中上下文例如是几个先前值。然后替换当前观察到的上下文并将密度归一化为1,我们得到当前值的预测概率分布。与像神经网络这样的标准机器学习方法相比,这里的最佳多项式系数具有廉价的直接公式,具有可控的准确性,是唯一的且独立计算的,每个都具有特定的累积量样解释,并且这种近似可以渐近地接近任何真实联合分布的完整描述-提供定量描述和利用时间序列中的统计依赖性的通用工具,系统地增强ARMA/ARCH类方法,也基于与高斯分布不同的分布,这对于每日日志回报是不合适的。还讨论了非平稳时间序列的应用,如计算线性时间趋势,或适应系数的本地统计行为。
2019-01-23 cs.LG stat.ML
Aligning Time Series on Incomparable Spaces
Centre for Artificial Intelligence(人工智能中心);University College London(伦敦大学学院);Imperial College London(帝国理工学院);Facebook AI Research(Facebook人工智能研究院)
动态时间规整(DTW)是一种用于对齐、比较和组合时间序列的有效方法,但它要求时间序列存在于可比空间中。在这项工作中,我们考虑一个设置中,时间序列生活在不同的空间没有一个合理的地面度量,导致DTW变得不明确。为了缓解这一问题,我们提出了Gromov动态时间规整(GDTW),这是一种潜在不可比空间上的时间序列之间的距离,通过考虑关系内几何来避免可比性要求。我们证明了它的有效性对齐,组合和比较生活在无与伦比的空间的时间序列。我们进一步提出了一个平滑版本的GDTW作为一个可微的损失,并评估其属性在各种设置,包括重心平均,生成建模和模仿学习。
2021-02-22 cs.LG stat.ML
Quantile factor analysis for large-dimensional time series with statistical guarantee
分位数是服务业财务和质量评价的重要指标。本文利用潜在分位数因子模型,对高维时间序列分位数的时间和截面交互效应进行建模。通过迭代检查损失最小化过程,学习的因素负荷和分数与统计保证。没有任何时刻约束的特质误差,我们正确地识别出共同和特质组件为每个变量。得到了极小化估计量的统计收敛速度。Bahardur表示的估计因子负荷和分数提供了一些温和的条件下。此外,提出了一种稳健的方法来选择一致的因素的数量。仿真实验验证了理论的正确性。我们对金融数据集的分析表明,学习分位数因子在投资组合分配中的优越性超过了其他学习均值因子的最先进方法。
2023-03-04 stat.ME
Clustering Financial Time Series: How Long is Enough?
研究人员使用30天到几年的每日回报作为源数据,根据相关性对金融时间序列进行聚类。本文建立了一个统计框架来研究这种做法的有效性。我们首先表明,聚类相关的随机变量从他们的观察值是统计上一致的。然后,我们也给了一个第一个经验的答案,很多争论的问题:多长时间的时间序列?如果太短,发现的集群可能是虚假的;如果太长,动态可能会被平滑。
2016-04-14 q-fin.ST stat.ML
Event coincidence analysis for quantifying statistical interrelationships between event time series: on the role of flood events as possible triggers of epidemic outbreaks
研究事件时间序列是许多科学领域分析复杂动力系统动力学的有力方法。在本文中,我们描述了事件重合分析的方法,提供了一个框架,量化的强度,方向性和时间滞后的事件序列之间的统计相互关系。事件重合分析允许制定和测试零假设的起源所观察到的相互关系,包括测试的基础上泊松过程,或更一般地说,随机点过程与规定的事件间的时间分布和其他高阶属性。将这一框架应用于国家一级的观测数据,得到的证据表明,自1950年代以来,洪水事件一直是全球流行病爆发的触发因素。面对未来气候极端事件统计数据的预测变化,事件巧合分析等统计技术将与调查人为气候变化对全世界人类社会和生态系统的影响有关。
2016-04-06 physics.data-an physics.soc-ph stat.ME
Enhancing Transformer-Based Foundation Models for Time Series Forecasting via Bagging, Boosting and Statistical Ensembles
School of Computing and Augmented Intelligence, Arizona State University(计算与增强智能学院,亚利桑那州立大学)
本文针对时间序列基础模型在真实数据上的方差、偏差和不确定性量化不足问题,提出装袋、堆叠、残差建模等统计集成增强方法,并在比利时电力负荷数据上验证其能显著提升预测准确性、可靠性和可解释性。
2025-08-18 cs.LG stat.ML
CITS: Nonparametric Statistical Causal Modeling for High-Resolution Neural Time Series
University of California, San Francisco(旧金山加利福尼亚大学);UCSF Weill Institute for Neurosciences(旧金山加利福尼亚大学威尔神经科学研究所);Center for Research on Science and Consciousness(科学与意识研究中心);National University of Singapore(新加坡国立大学);Department of Bioengineering and Therapeutic Sciences, University of California, San Francisco(旧金山加利福尼亚大学生物工程与治疗科学系)
CITS是一种非参数方法,用于从高分辨率神经时间序列中推断统计因果结构,通过结构因果模型和滞后条件独立性检验,实现了对神经元因果路径和区域层次结构的准确识别。
2026-03-08 q-bio.NC q-bio.QM stat.AP
Two ways towards combining Sequential Neural Network and Statistical Methods to Improve the Prediction of Time Series
Stony Brook University(石溪大学)
统计建模和数据驱动学习是当前研究的热点。统计模型旨在捕捉和解释变量之间的关系,而基于数据的学习试图直接从数据中提取信息,而无需通过复杂的模型进行预处理。考虑到这两个领域的广泛研究,一个微妙的问题是如何将基于数据的方法与现有的知识或模型正确整合。本文以时间序列数据为基础,提出了两种不同的融合方向,一种是基于分解的方法,另一种是利用数据特征的统计提取方法。第一种方法将数据分解为线性稳定、非线性稳定和不稳定部分,其中线性稳定和非线性稳定部分使用合适的统计模型,而不稳定部分使用合适的机器学习工具。第二个应用统计模型来提取数据的统计特征,并将其作为额外的输入馈送到机器学习平台进行训练。如何从数学或统计模型中确定和提取有价值的信息来提高机器学习算法的性能是最关键和最具挑战性的。我们使用具有不同程度的稳定性的时间序列数据来评估该提案。性能测试结果表明,这两种方法都优于现有的单独使用模型和学习的方案,提高了60%以上。我们提出的两种方法都有希望弥合基于模型和数据驱动的计划之间的差距,并将两者结合起来,以提供更高的整体学习性能。
2021-12-21 cs.LG stat.ME
Extraction of informative statistical features in the problem of forecasting time series generated by It{ô}-type processes
Lomonosov Moscow State University, Faculty of Computational Mathematics and Cybernetics(罗蒙诺索夫莫斯科国立大学,计算数学与 cybernetics 学院);Moscow Center for Fundamental and Applied Mathematics(莫斯科基础与应用数学中心);Federal Research Center ‘‘Computer Science and Control’’, Russian Academy of Sciences(俄罗斯科学院计算机科学与控制联邦研究中心);Moscow Center for Artificial Intelligence(莫斯科人工智能中心);Vologda State University(沃洛佳州大学)
本文研究了从Itô型过程生成的时间序列中提取最信息性的特征,通过统计调整的混合型模型参数进行预测,采用统计重建系数的方法,通过均匀和非均匀统计重建技术获得两种参数,提升预测效果。
2026-04-18 cs.LG math.PR stat.ML
A comparison of short-term probabilistic forecasts for the incidence of COVID-19 using mechanistic and statistical time series models
ETH Zurich(苏黎世联邦理工学院);University of Bern(伯尔尼大学);Imperial College London(伦敦帝国理工学院);LMU Munich(慕尼黑大学);Munich Center for Machine Learning(慕尼黑机器学习中心);National University of Singapore(新加坡国立大学);National University Health System(国立大学医疗系统);University of Copenhagen(哥本哈根大学)
本研究对比基于更新方程的机理模型与统计时间序列模型对美国六州新冠发病率的短期概率预测,发现统计模型预测准确性不低于机理模型且更能捕捉波动性,指出机理模型仍有其他应用价值。
2023-05-01 cs.LG q-bio.PE stat.AP
Analyzing the Impact of Climate Change With Major Emphasis on Pollution: A Comparative Study of ML and Statistical Models in Time Series Data
Golisano College of Computing and Information Sciences, Rochester Institute of Technology(罗切斯特理工大学戈利斯ano计算与信息科学学院)
本研究比较了机器学习与统计模型在时间序列数据上的表现,旨在通过分析工业增长对气候的影响,预测并减轻环境污染。
2024-05-24 cs.AI stat.AP stat.ML
A Statistical Simulation Method for Joint Time Series of Non-stationary Hourly Wave Parameters
许多海岸和近海工程应用需要波浪参数的统计模拟时间序列,通常分辨率约为1小时。各种研究都依赖于自回归移动平均(ARMA)过程来模拟蒙特卡罗意义上的合成系列波参数。然而,准确地表示系列间的依赖性仍然是一个挑战。特别是,波高和周期统计之间的关系是复杂的,由于限制陡度条件。本文提出了一种新的有效波高、平均过零周期和一个方向型变量联合时间序列的模拟方法。后者区分北部和西南部波。该方法依赖于几个模型组件,其中包括更新过程,傅立叶级数与随机系数,ARMA过程,Copula和状态切换。一个特殊的功能是一个数据驱动的估计波高相关的限制波陡度条件,这是用来促进copulabased依赖建模。该方法的开发和应用于在北海南部的数据集。对于该站点,该方法可以模拟具有真实年周期和年际变化的时间序列。在时间序列数据中,有效波高和平均过零周期的双变量分布得到了很好的体现。也可以对方向性状态对双变量分布的影响进行建模。然而,在模拟数据中的影响并不像在观测数据中那么强。最后,模拟序列很好地捕捉到了风暴事件的持续时间和到达间隔时间。模拟方法输出的潜在应用范围从沿海风险评估或沿海结构设计到近海作业的规划和预算。
2018-10-29 stat.AP
Phase Identification of Smart Meters Using a Fourier Series Compression and a Statistical Clustering Algorithm
配电系统中相连通性的准确标记对于维护和操作是重要的,但通常是错误的或丢失的。在本文中,我们提出了一个过程,以确定哪些智能电表必须在同一阶段使用层次聚类方法的电压时间序列数据。我们不直接处理时间序列数据,而是应用傅里叶变换来表示频域中的数据,去除傅里叶系数的$98\%$,并使用剩余的系数来聚类处于相同相位的仪表。通过确认仪表的集群(阶段)成员资格在两个月的时间段内没有变化来验证该过程的结果。此外,我们还确认属于配电网络内相同馈线的电表被正确地分类到相同的集群中,即分配到相同的相位。
2022-12-24 cs.SY eess.SY stat.AP
Statistical implications of relaxing the homogeneous mixing assumption in time series Susceptible-Infectious-Removed models
传染病流行病学家通常将随机流行病模型拟合到时间序列数据中,以阐明传染病动态,评估干预措施,并预测流行病轨迹。为了提高计算的易处理性,已经提出了许多近似的随机模型。在本文中,我们专注于一类这样的近似--时间序列易感-传染-去除(TSIR)模型。传染病建模通常从均匀混合假设开始,假设疾病传播率与易感和传染个体数量的乘积成正比。一种流行的放松这一假设的方法是将易感和/或传染性个体的数量提高到某个正幂。我们表明,当这种技术被用于TSIR模型,它们不能被解释为近似SIR模型,这对基于TSIR的统计推断具有重要意义。我们的模拟研究表明,基于TSIR的估计的感染率和混合率是系统性的偏见,在存在非均匀混合,这表明需要谨慎解释TSIR模型参数估计时,这类模型放松均匀混合假设。
2021-12-06 q-bio.PE stat.ME
Statistical characterization and time-series modeling of seismic noise
开发地震噪声的统计模型在地震数据分析中是一项很有价值的工作,因为这些模型在检测地震事件的开始方面起着关键作用。这些模型中的大多数通常建立在某些关键假设上,即平稳性,线性和高斯性。尽管他们的关键性,很少有文献报道存在验证这些假设的真实地震数据。这项工作的目标是(一)批判性地研究这些长期持有的假设和(二)提出一个系统的程序,开发适当的时间序列模型。严格的统计分析表明,这些标准假设并不适用于研究中的大多数数据集;相反,它们表现出额外的特殊特征,如异方差性和整合效应。基于这些新发现,本文建立了地震噪声的ARIMA-GARCH模型。对不同时间间隔的$185$实时数据集进行了研究,以研究噪声特征和模式结构的每日和季节变化。几乎所有数据集的一阶非平稳性、异方差性和高斯性检测结果均为阳性,而$19\%$的线性检测结果为阴性。还分析了所开发的模型的结构均匀性的每日和季节变化。
2020-09-03 stat.ME
Improving forecasting accuracy of time series data using a new ARIMA-ANN hybrid method and empirical mode decomposition
Middle East Technical University(中东技术大学);Massachusetts Institute of Technology(麻省理工学院)
在不同领域的许多应用中,都会产生大量的时间序列数据。做出准确的预测对于许多决策者来说至关重要。存在各种时间序列预测方法,其分别使用线性和非线性模型或两者的组合。研究表明,线性和非线性模型的结合可以有效地提高预测性能。然而,这些现有方法所做的一些假设可能会限制它们在某些情况下的性能。本文提出了一种新的自回归滑动平均(ARIMA)-人工神经网络(ANN)混合方法。实验结果表明,在整个杂交过程中,用于分解原始数据以及用于组合线性和非线性模型的策略是该方法预测性能的关键因素。通过使用适当的策略,我们的混合方法可以是一种有效的方法,以提高预测精度由传统的混合方法,也单独使用的个人方法。
2018-12-30 cs.LG stat.ML
Spectral Correlation Hub Screening of Multivariate Time Series
University of Michigan(密歇根大学)
本章讨论平稳多元高斯时间序列在谱域或傅立叶域的相关分析。目标是识别中心时间序列,即,与指定数量的其他时间序列高度相关的那些。我们证明了不同频率下的时间序列的傅立叶分量是渐近统计独立的。这个属性允许在每个频率独立的相关性分析,减轻计算和统计的高维时间序列的挑战。为了检测每个频率处的相关枢纽,现有的相关筛选方法被扩展到复数以容纳复值傅立叶分量。我们的特点的枢纽发现在指定的相关性和程度阈值的制度,增加的维度和固定的样本量。该理论规定了适当的阈值,以应用于样本相关阵,以检测枢纽,也允许统计意义归因于枢纽的发现。数值结果说明了理论的准确性和所提出的谱框架的实用性。
2014-04-09 cs.LG stat.AP stat.OT
Amortized Neural Clustering of Time Series based on Statistical Features
Statistics Program, King Abdullah University of Science and Technology (KAUST)(卡斯土奈大学科学与技术学院统计学项目)
本文提出了一种算法无关的基于特征的时间序列聚类方法,通过amortized神经推断训练神经网络近似最优划分规则,减少对传统聚类方法的依赖,并利用统计特征学习数据驱动的亲和结构,自动确定聚类数量,提升聚类准确性。
2026-05-13 cs.LG stat.CO stat.ML
Statistical guided-waves-based SHM via stochastic non-parametric time series models
在过去的几十年中,基于导波的主动传感结构健康监测(SHM)中的损伤检测已经经历了多个发展时期。尽管如此,仍然存在着一些挑战,面临着目前的国家的最先进的方法,无论是在工业以及在研究和发展,包括低损伤灵敏度,缺乏鲁棒性的不确定性,需要用户定义的阈值,并在传感器网络的非均匀响应。在这项工作中,提出了一种新的统计框架的基础上使用超声导波主动传感SHM。该框架基于随机非参数时间序列模型及其相应的统计特性,以便通过使用适当的统计决策测试来提供健康的置信区间并实现准确和鲁棒的损伤检测。三种方法及相应的统计量(测试统计)以及决策制定方案,并通过使用三个不同复杂程度的试样进行实验评估:具有增长缺口的Al板,具有增加的重量以模拟局部损伤的碳纤维增强塑料(CFRP)板,以及用于开放导波项目的CFRP面板[1],都装有压电传感器和一发一收结构。所提出的方法的性能进行比较,最先进的时域损伤指数(DI)。结果表明,所提出的方法的灵敏度和鲁棒性的增加,与传统的方法相比,具有更好的跟踪能力的损伤演化,即使是损伤非相交的致动器-传感器路径。总体而言,所提出的统计方法表现出更大的损伤灵敏度在不同的组件,增强了鲁棒性的不确定性,以及用户友好的应用程序。
2021-01-29 eess.SP stat.AP
Time-Series Anomaly Classification for Launch Vehicle Propulsion Systems: Fast Statistical Detectors Enhancing LSTM Accuracy and Data Quality
The Aerospace Corporation(航空航天公司)
本文提出基于马哈拉诺斯距离和前向-后向检测分数的统计检测器,用于优化LSTM分类器的训练标签,从而提升发射车辆推进系统时间序列异常分类的准确性和数据质量。
2026-01-07 cs.LG stat.AP stat.ML
Synthetic Random Environmental Time Series Generation with Similarity Control, Preserving Original Signal's Statistical Characteristics
本文提出一种基于离散傅里叶变换的合成时间序列生成方法,可在保留原始信号前两阶统计矩和自相关函数的同时控制相似性水平,并通过多种环境数据集验证其通用性。
2025-02-04 stat.ME
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
High-Dimensional Multivariate Time Series With Additional Structure
高维多变量时间序列由于数据的依赖性和高维性而具有挑战性,但在许多应用中,可以利用附加结构来减少计算时间以及统计误差。我们考虑具有空间结构的高维向量自回归过程,空间结构是附加结构的一种简单而常见的形式。我们提出了新的高维方法,利用这种结构,而不作模型假设距离如何影响依赖。我们提供了非渐近界的统计误差的参数估计在高维设置,并表明,所提出的方法减少了统计误差。在美国的空气污染的应用程序表明,估计方法减少了计算时间和预测误差,并产生的结果是有意义的,从科学的角度来看,在高维的方法,忽略空间结构。在实际应用中,这些高维方法可以将高维多变量时间序列分解为低维多变量时间序列,从而可以用其他方法进行更深入的研究。
2017-02-25 stat.ME
Statistical Estimation of High-Dimensional Vector Autoregressive Models
University of Mannheim(曼海姆大学);University of Cyprus(塞浦路斯大学)
高维向量自回归(VAR)模型是分析多元时间序列的重要工具。本文重点研究高维时间序列和不同的正则化估计程序提出的拟合稀疏VAR模型,这样的时间序列。注意施加在VAR参数的不同的稀疏性假设,以及这些稀疏性假设是如何与特定的一致性属性的估计建立。高维VAR模型的稀疏性计划,提出了被认为是更合适的时间序列设置考虑。此外,它表明,在这种稀疏设置下,threholding扩展的一致性性质的正则化估计范围很广的矩阵规范。除此之外,这使得VAR参数估计器能够应用于不同的推理问题,例如预测或估计底层VAR过程的二阶特征。广泛的模拟比较有限样本的行为,提出了不同的正则化估计使用各种性能标准。
2020-06-09 cs.LG stat.ML
New statistical model for misreported data with application to current public health challenges
这项工作的主要目标是提出一个新的模型,能够处理潜在的误报连续时间序列。该模型能够处理连续时间序列数据的自相关结构,这可能是部分或全部少报或多报。通过考虑几种自相关结构的综合模拟研究以及赫罗纳(西班牙加泰罗尼亚)人乳头瘤病毒发病率和中国黑龙江地区COVID-19发病率的两个实际数据应用,说明了其性能。
2021-06-17 stat.AP stat.ME
Global-scale massive feature extraction from monthly hydroclimatic time series: Statistical characterizations, spatial patterns and hydrological similarity
水文气候时间序列分析集中于几种特征类型(例如,自相关、趋势、极值),它们描述了观测的整个信息内容的一小部分。旨在利用更大部分的可用信息,从而提供更可靠的结果(例如,在水文气候时间序列聚类上下文中),在这里,我们以不同的方式处理水文气候时间序列分析,即,通过大量的特征提取在这方面,我们开发了一个水文气候变量行为表征的大数据框架。这一框架依赖于大约60种不同的特征,并且是完全自动的(从某种意义上说,它不依赖于手头的水文气候过程)。我们应用新的框架来表征月平均温度,月总降水量和月平均河流流量。这些应用是在全球范围内进行的,利用了来自13 000多个台站的长达40年的时间序列。我们提取可解释的知识,季节性,趋势,自相关,长期依赖性和熵,以及不太频繁遇到的特征类型。我们进一步比较检查水文气候变量类型的知识,并确定相关的空间变异性的功能模式。对于后者的目的,我们还提出并利用水文气候时间序列聚类方法。这种新的方法是基于Breiman的随机森林。全球尺度的应用程序所获得的描述性和探索性的见解证明了在水文气候背景下所采用的功能汇编的有用性。此外,新方法提供的集群特征的空间相干模式建立了对其未来开发的信心。
2021-01-15 stat.AP stat.CO stat.ME
Statistical inference for heavy tailed series with extremal independence
本文考虑平稳时间序列$\{X_j, j \in Z\} whose finite dimensional distributions are regularly varying with extremal independence. We assume that for each $ h \geq 1 $, conditionally on $ X 0 $ to exceed a threshold tending to infinity, the conditional distribution of $ X h$适当归一化弱收敛到一个非退化分布.在本文中,我们考虑估计的正常化和极限分布。
2018-04-29 math.ST stat.TH
Statistical inference of lead-lag at various timescales between asynchronous time series from p-values of transfer entropy
符号传递熵是检测时间序列之间超前-滞后关系的一种强有力的非参数工具。由于传递熵分布的封闭表达式对于有限大小的样本是未知的,统计测试通常使用引导程序来执行,其缓慢性阻止了长时间序列之间的大超前滞后网络的推断。另一方面,两个时间序列之间的传递熵的渐近分布是已知的。在这项工作中,我们得到的渐近分布的测试一个时间序列具有较大的转移熵比另一个目标时间序列。然后,我们测量收敛速度的两个测试在小样本量限制通过基准。然后,我们引入时移时间序列之间的传递熵,它允许测量信息传递最大和消失的时间尺度。最后,我们将这些方法应用于数百只股票的逐点价格变化,产生非平凡的统计验证网络。
2022-06-21 math.ST physics.data-an q-fin.ST
Statistical Inference for inter-arrival times of extreme events in bursty time series
在统计物理学研究的许多复杂系统中,事件(如太阳耀斑,交易和神经元电压)之间的到达时间遵循重尾分布。事件时间的集合是分形的,在某些时间窗口中是密集的,而在其他时间窗口中是空的,这种现象被称为“突发”。本文提出了一种新的高门限以上事件的间隔时间模型。对于高阈值和无限平均等待时间,它表明,阈值交叉之间的时间是Mittag-Leffler分布,从而形成一个“分数泊松过程“,它推广了标准的泊松过程的阈值交叉。提供了估计模型参数和评估模型拟合的图形方法。推理方法应用到一个经验突发时间序列,它示出了如何记忆的Mittag-Leffler分布影响预测的时间,直到下一个极端事件。"
2020-09-15 math.ST stat.TH
Simultaneous Statistical Inference for Second Order Parameters of Time Series under Weak Conditions
严格平稳性是时间序列文献中的一个常见假设,用于推导二阶顺序统计量的渐近分布结果,如样本自协方差和样本自相关。针对弱平稳性,利用高斯近似技术,在弱平稳性条件下,得到了样本自协方差和样本自相关的最大值的渐近分布。本文重新讨论了一般弱平稳时间序列拟合线性自回归模型参数估计的渐近理论,并导出了自回归系数估计的最大值的高斯逼近定理。为了对所考虑的二阶参数进行统计推断,应用引导算法,即所谓的二阶野生引导。这个引导程序的一致性被证明。与现有的自举替代方案相比,二阶野生自举的有效性不需要施加严格的平稳条件或结构过程假设,如线性。仿真结果表明,二阶Wild Bootstrap具有良好的有限样本性能。
2023-02-25 math.ST stat.TH
On Statistical Inference for High-Dimensional Binary Time Series
University of California San Diego(加利福尼亚大学圣地亚哥分校);The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳))
本文提出了一种用于高维二元时间序列的后选择估计器及二阶野 Bootstrap 算法,以实现对系数矩阵的统计推断,并验证了其良好的有限样本性能。
2025-12-02 math.ST stat.AP stat.ME
Statistical inference of high-dimensional vector autoregressive time series with non-i.i.d. innovations
针对高维向量自回归时间序列,提出允许非独立甚至非平稳新息的统计推断方法,采用后选择估计器并开发自助法算法,以更贴合现实数据。
2023-10-11 math.ST stat.ME stat.TH
Statistical inference for Levy-driven graph supOU processes: From short- to long-memory in high-dimensional time series
Imperial College London(帝国理工学院)
本文提出了一种图驱动的 supOU 过程模型,用于高维时间序列中短程与长程依赖性的统一建模,并通过模拟和实证研究验证了其估计方法的有效性。
2026-03-04 math.ST stat.AP stat.ME
Frequency Domain Statistical Inference for High-Dimensional Time Series
本文针对高维多元时间序列,提出频域中相干性与偏相干性的一致估计、阈值最大值检验及控制错误发现率的多重检验方法,并通过模拟和 EEG 脑连接应用验证其效果。
2024-01-17 math.ST stat.ME stat.TH