暂无搜索历史
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...
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。
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...
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。
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LL...
这篇系统文献综述全面考察了大型语言模型(LLM)在预测和异常检测方面的应用,重点分析了目前的研究现状、固有挑战和未来可能的发展方向。
半监督时间序列分类可以有效地缓解标记数据缺乏的问题。然而,现有的方法通常忽略了模型的解释性,使得人类难以理解模型预测背后的原理。Shapelets是一组具有高度...
时间序列预测是许多领域中的关键任务,例如金融、天气预报和传感器数据分析等。然而,时间序列经常受到趋势、季节性或不规则波动等因素的影响,表现出非平稳性。这种非平稳...
多变量时间序列预测一直是各学科面临的持续性挑战。时间序列数据通常表现出多样的序列内和序列间相关性,这导致了复杂且相互交织的依赖关系,成为众多研究的焦点。
对于金融应用中的深度学习模型,训练数据有限是一个大问题。因为金融时间序列有不规则和尺度不变的特点,很难合成真实数据。
多元时间序列(MTS)数据在各种应用领域中至关重要。由于其具有时序性和多源(多个传感器)属性,MTS数据本质上表现出时空(ST)依赖性,包括时间戳之间的时间相关...
时间序列预测在许多现实世界的动态系统中具有重要意义,并已得到广泛研究。与自然语言处理(NLP)和计算机视觉(CV)不同,其中单个大型模型可以处理多个任务,时间序...
之前,我们解读过时间序列预测模型中的经典文章PatchTST。事实上,Patch方法目前在时间序列领域几乎等同于attention。
时间序列是用于记录动态系统测量的主要数据类型,由物理传感器和在线过程(虚拟传感器)大量生成。因此,时间序列分析对于解锁可用数据中隐含的信息财富至关重要。随着图神...
学习适用于各种下游任务的通用时间序列表示在实际应用中很有价值。最近,不少研究人员试图利用计算机视觉(CV)和自然语言处理(NLP)中自我监督对比学习(SSCL)...
对时间序列数据构建大模型,并适配各种时序任务(比如:时序预测)是最近时序研究的新视角。最近来自澳大利亚新南威尔士大学的几位研究者提出了一种新的预测范式:基于提示...
最近,基于Transformer和基于MLP的模型在时间序列分析中迅速崛起并占据主导地位。相比之下,卷积在当今的时间序列任务中因性能不佳而失去动力。
这里分享一篇来自TPAMI 2023的论文,研究者提出了一种对视频中一类因为语义不连贯而自然产生的时序边界 (Generic Boundary) 的通用检测方法...
时间序列图神经网络是一种结合了图神经网络和时间序列分析的方法,用于对动态系统中的数据进行建模和预测。与传统的时间序列模型不同,图神经网络可以有效地捕捉时间序列数...
时间序列分类(time series classification)是数据挖掘领域的重要任务,它涉及对按时间顺序排列的数据点进行标记和预测。此类数据广泛存在于金...
暂未填写公司和职称
暂未填写个人简介
暂未填写技能专长
暂未填写学校和专业
暂未填写个人网址
暂未填写所在城市