首页
学习
活动
专区
工具
TVP
发布

时序人

专栏成员
116
文章
180480
阅读量
52
订阅数
WWW 2024 | FCVAE:从频率角度重新审视 VAE 在无监督异常检测中的效果
时间序列异常检测(AD)在 Web 系统中扮演着至关重要的角色。各种 Web 系统依赖时间序列数据来实时监控和识别异常,并启动诊断和修复程序。近年来,由于具有出色的去噪能力,变分自编码器(VAEs)在异常检测中备受青睐。
VachelHu
2024-07-31
1440
ICML 2024 | FlashST:一个简洁有效新范式,助力智慧城市时空预测
交通预测旨在准确预测城市未来的交通流动模式,需要同时考虑时间与空间维度。但是,分布偏移现象是该领域的一个主要难题,因为现有模型在遇到与训练数据分布差异显著的测试数据时,往往难以实现有效的泛化。
VachelHu
2024-07-30
1840
ICML 2024 | BayOTIDE:针对多变量不规则时间序列的高效插补算法
在交通和能源管理等现实场景中,常会遇到大量具有缺失值、噪声和不规则采样模式的时间序列数据。尽管目前已经提出了许多插值方法,但大多数倾向于在局部范围内运行,这涉及到将长序列分割成固定长度的片段进行模型训练,这种局部范围往往导致忽略全局趋势和周期性模式。更重要的是,大多数方法假设观测值是在规则的时间戳上采样的,无法处理各种应用中复杂的不规则采样时间序列。此外,大多数现有方法是以离线方式学习的,不适合处理快速到达的流式数据。
VachelHu
2024-07-20
1830
ICML 2024 | 时序异常检测应该如何设计有效的模型?
用机器学习做时间序列异常检测 (TAD) 受到有缺陷的评估指标、不一致的基准测试、缺乏模型选择适当性论证的困扰。
VachelHu
2024-07-20
1860
ICML 2024 | 探索“河流网络拓扑+GNN”在洪水预测任务中的有效性
气候变化加剧了河流洪水,其发生频率和强度均前所未有。近日的洞庭湖决堤新闻牵动人心,那时间序列技术能否帮助提高洪水预测的准确度呢?ICML 2024 中有一篇相关的工作。
VachelHu
2024-07-09
2080
KDD 2024 | UniST:清华推出首个通用城市时空预测模型,代码数据均已公开
城市时空预测对于明智的决策至关重要,例如交通管理、资源优化和应急响应。尽管预训练自然语言模型取得了显著突破,使一个模型能够处理多种任务,但时空预测的通用解决方案仍然具有挑战性。现有的预测方法通常针对特定的时空场景量身定制,需要特定任务的模型设计和大量的特定领域训练数据。
VachelHu
2024-07-08
4240
综述 | 一文看懂生成式时序表示与时序大模型
时间序列数据在各个领域都普遍存在,使得时间序列分析变得至关重要。传统的时间序列模型是任务特定的,具有单一的功能和有限的泛化能力。最近,大型语言基础模型揭示了它们在跨任务迁移性、零次/少次学习和决策可解释性方面的出色能力。这一成功引发了人们探索基础模型以同时解决多个时间序列挑战的兴趣。
VachelHu
2024-06-26
1.2K0
CALF:用于长期时间序列预测的高效跨模态LLM微调框架
深度学习在多变量时间序列预测(MTSF)领域取得了显著进展。尽管现有的方法大多依赖于单一模态的时间序列输入进行训练,但近期基于大语言模型(LLMs)的跨模态时间序列预测方法在数据有限的情况下展示了卓越的性能。然而,现有的 LLM-based MTSF 方法通常忽略了文本和时间序列输入之间的分布差异,导致性能次优。
VachelHu
2024-06-25
3350
SOFTS:新SOTA,纯MLP模型架构实现高效多元时序预测
多变量时间序列预测在金融、交通管理、能源和医疗保健等多个领域中扮演着至关重要的角色。最近的研究强调了通道独立性在抵抗分布漂移方面的优势,但忽视了通道间的相关性,限制了进一步的改进。一些方法通过使用注意力或混合器等机制来捕捉通道间的相关性,但它们要么引入了过多的复杂性,要么过于依赖相关性,在分布漂移下,尤其是在大量通道的情况下,难以取得满意的结果。
VachelHu
2024-06-25
7570
综述 | 解析生成技术在时空数据挖掘中的应用
本文介绍一篇来自香港大学、北京大学、南洋理工大学、清华大学等8所学校及企业联合发布的综述工作。该综述考虑到时空数据的显著增长和多样性,重点关注将生成技术整合到时空数据挖掘中。随着RNNs、CNNs和其他非生成技术的进步,研究人员探索了它们在捕获时空数据内部的时间和空间依赖关系中的应用。然而,诸如LLMs、SSL、Seq2Seq和扩散模型等生成技术的出现,为进一步提升时空数据挖掘提供了新的可能性。
VachelHu
2024-06-13
2400
COLING 2024 | AlphaFin:基于LLM的股票预测大模型,显著提高预测能力
目前,机器学习和深度学习算法(ML&DL)已被广泛应用于股票趋势预测,并取得了显著进展。然而,这些方法未能为预测提供理由,缺乏可解释性和推理过程。此外,它们无法整合如财经新闻或报告等文本信息。与此同时,大型语言模型(LLMs)具有出色的文本理解和生成能力。但由于金融训练数据集稀缺以及与实时知识的整合有限,LLMs仍然存在幻觉问题,并且无法跟上最新信息。
VachelHu
2024-06-13
5090
ICLR 2024 | PDF: 基于周期性解耦的长时序预测框架
在过去的十年里,深度学习在时间序列预测方面取得了显著进展。然而,现有的方法主要集中于一维时间序列的时间变化建模,忽略了时间序列中内在的复杂周期性。这种复杂性使得直接建模变得具有挑战性,同时短期波动、上升和下降等变化往往相互重叠,进一步增加了预测难度。
VachelHu
2024-05-31
5190
ICML 2024 | Moirai:首个全开源时间序列预测基础模型来了!
时序数据广泛存在于零售、金融、制造业、医疗等多个领域,其中时序预测应用对于决策制定有着重要的意义。尽管深度学习方法在时序预测中取得了巨大进展,但其依旧遵循传统机器学习范式:针对特定数据集的特定预测任务(预测长度)训练相对应的模型。
VachelHu
2024-05-20
3.3K0
综述 | 牛津大学等机构最新研究:扩散模型在时间序列和时空数据中的应用
本文介绍一篇来自牛津大学、莫纳什大学等12家机构联合发表的一篇综述研究工作。这篇综述文章深入探讨了扩散模型在时间序列和时空数据中的应用。扩散模型作为一种强大的工具,不仅增强了序列和时序数据的生成和推理能力,还扩展到了其他下游任务。文章从模型类别、任务类型、数据模态和实际应用领域等多个维度对扩散模型进行了分类和讨论。
VachelHu
2024-05-20
2.4K0
VLDB 2024 | TFB: 一个全面公平的时间序列预测方法评测基准
时间序列出现在经济、交通、健康和能源等多个领域,对未来值的预测具有许多重要应用。因此,人们提出了许多预测方法。为了确保研究的进展,有必要以全面和可靠的方式对这些方法进行研究和比较。
VachelHu
2024-05-11
5550
综述 | 深度学习在多维时间序列插补中的应用
无处不在的缺失值导致多元时间序列数据只能部分观测,破坏了时间序列的完整性,阻碍了有效的时间序列数据分析。近年来,深度学习插补方法在提升损坏时间序列数据质量方面取得了显著的成功,从而提高了下游任务的性能。
VachelHu
2024-04-18
1.1K0
MOMENT:CMU发布首个开源的时间序列基础大模型
时间序列分析是一个重要领域,涵盖从天气预报和到使用心电图检测不规则心跳,再到识别异常软件部署等一系列广泛应用。
VachelHu
2024-04-11
1.7K0
效果显著!电力价格预测中的纯Transformer架构实战
电力价格预测在现代电力系统中扮演着至关重要的角色。多年来,电力价格预测(EPF)的技术已经取得了显著的进展,其中机器学习和人工智能的最新发展发挥了引领作用。但在电力价格预测(EPF)领域,可复现性一直是一个重大挑战。许多研究使用了独特且非公开的数据集,并在过短和有限的市场样本上测试了他们的方法,这使得难以评估新预测算法的有效性。
VachelHu
2024-04-11
7981
DiffsFormer:基于扩散模型的端到端股票因子挖掘与增强
机器学习模型在广泛的股票预测任务中表现出了令人瞩目的有效性和效率。然而,数据稀缺性所带来的固有挑战,包括低信噪比(SNR)和数据同质性,对准确预测构成较大挑战。
VachelHu
2024-03-20
6780
AutoTimes:利用LLM重新定义自回归时间序列预测
鉴于模态和任务目标之间的共性,大语言模型(LLM)自然可以作为时间序列的基础模型。然而,先前的方法可能忽视了时间序列与自然语言对齐的一致性,导致未能充分利用LLM的潜力。
VachelHu
2024-03-18
6470
点击加载更多
社区活动
【纪录片】中国数据库前世今生
穿越半个世纪,探寻中国数据库50年的发展历程
Python精品学习库
代码在线跑,知识轻松学
博客搬家 | 分享价值百万资源包
自行/邀约他人一键搬运博客,速成社区影响力并领取好礼
技术创作特训营·精选知识专栏
往期视频·千货材料·成员作品 最新动态
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档