其他文献阅读一（关于时间序列）

第一篇：2023基于深度学习的时间序列预测方法综述（中文）

作者：毛远宏

目的：综述时间序列预测的发展与方法

方法：首先介绍时间序列预测的含义及分类；其次按照使用方法来介绍时间预测，即是传统方法、机器学习、深度学习方法；然后是对未来发展的预测；最后是总结。

特别地：在机器学习方面有①SVR支持向量回归，它对非线性时间序列存在稳定的预测能力；②GBRT梯度渐进回归树；③HMM隐马尔可夫模型是统计学模型。在深度学习方面①CNN卷积神经网络，其中有TCN时间卷积网络利用因果卷积和空洞卷积、残差卷积；②RCNN循环卷积神经网络，基于LSTM长短期记忆网络，还有Deep State Space模型；③基于自注意力机制treansformer；④GNN图神经网络；⑤残差的全连接网络。

结果：文章随着时间的发展，总结了时间序列预测方法从基于传统统计学方法逐渐发展到机器学习方法再到深度学习的代表方法。再期望方面提出时间序列预测方法在未来中可关注于因果性推断以及进一步说明预测的可解释性。

注：该文章把时间序列预测的方法进行了分类，可学习指数9。

第二篇：2022基于深度学习的时间序列分类方法综述（中文）

作者：苏耘

目的：将时间序列在深度学习方面的分类方法进行总结

方法：先是介绍了时间序列分类的定义；然后就对基于深度学习神经网络的时间序列分类方法进行总结。其中有九种方法，①多层感知器，②全卷积神经网络③残差网络④多尺度卷积神经网络⑤多通道卷积⑥时间扭曲不变回声状态网络⑦基于LLSTM的集成模型⑧时间序列自监督变换器⑨基于transformer的双塔式模型。

特别地：文中将深度学习时间序列分类分成了两种，一种是生成式模型（两个结构结合一个提取特征一个分类）另一种是判别式模型（一个结构特征提取和分类一体）。文章对每个模型进行了简单的结构讲述，感觉过于简单。但是可以参照这一篇写综述。

结果：对时间序列分类总结，并提出时间序列分类的不足。时间序列分类的深度学习仍然缺乏对数据增强个转移学习的深入研究以及在多变量时间序列研究相对较少。

注：学习该文章的综述结构。学习指数7

第三篇：2023深度学习应用于时序预测研究综述（中文）

作者：梁宏涛

目的：进一步促进时间序列预测技术的发展

方法：综述在深度学习方面时序预测的发展应用。分别介绍了卷积神经网络CNN、循环神经网络RNN和Transformer模型方面的代表的时序预测模型。并且在transformer时还使用实验数据进行各个模型的比较。

特别地：文章叙述清楚，着重介绍以Transformer模型为框架或者改进的时序预测模型。预测模型的对象还是以数据为主，没有发现是使用在图像上的。该文章在每一类方法后都进行了表格总结，可轻松查阅。文章总结表格如下：

结果：在总结最后提出了未来发展方法，其中提到了图神经网络GNN用于多变量。

注：文章思路清晰，学习指数8。

第四篇:2022时间序列数据挖掘中的聚类研究综述（中文）

作者：李海林

目的：对国内外时间序列数据聚类研究的状况进行综述

方法：首先介绍了目前时间序列聚类方法分类，然后分别从特征表示、相似性度量、聚类算法和簇原型等方面进行国内外研究状况分析，最后分析了目前研究存在的不足，同时给出了未来的研究方向。

特别地：与前面几篇文章相同综述的时间序列预测对象都是数据。文章提到隐马尔可夫模型也属于聚类的一种。目前存在各种不同的时间序列距离度量方法，其中最典型的两种方法为欧式距离ED和动态时间弯曲方法DTW。

注：和要学的关键词相关性不大。学习指数7