时间序列
文章平均质量分 92
Doooo19
争取做一个日更的小仙女呀,转zhihu啦
展开
-
论文阅读【时间序列预测2】TACTiS: Transformer-Attentional Copulas for Time Series
TACTiS(Transformer-Attentional Copulas for Time Series)论文的创新点主要包括以下几个方面:提出了一种新的时间序列生成模型,该模型结合了Transformer编码器、注意力机制和copula分布,能够更准确地捕捉序列中的关联关系。Transformer编码器:相比于传统的循环神经网络(RNN)等序列模型,Transformer模型可以更好地处理长序列,避免了RNN模型存在的梯度消失和梯度爆炸问题,并且可以并行处理输入序列,提高模型的训练效率。原创 2023-04-20 16:54:40 · 1858 阅读 · 1 评论 -
【时间序列预测】—全教程
时间序列预测翻译 2022-11-22 13:32:42 · 4241 阅读 · 0 评论 -
论文阅读【时间序列分析2】Learning of Cluster-based Feature lmportance for Electronic Health Record Time-series
Introduction: 介绍了电子病历数据的重要性和当前的挑战,提出了研究目标和方法。Related work: 介绍了目前一些研究,探讨了目前特征选择的方法,以及电子病历时间序列数据的处理。Methodology: 介绍了文章提出的算法的总体框架,包括了两个阶段:特征选择和重要性评估。该部分还讨论了如何对数据进行预处理。Cluster-based feature selection: 详细介绍了文章提出的聚类特征选择算法的细节,包括特征聚类、特征筛选、聚类评估和特征选择评估。原创 2023-05-10 10:17:19 · 684 阅读 · 1 评论 -
论文阅读【时间序列分析1】Reconstructing Nonlinear Dynamical Systems from Multi-Modal Time Series
物理学、生物学或医学中经验观察的时间序列通常由一些底层动力系统(DS)生成。提出了一个多模态数据集成的框架,该框架基于可动态解释的循环神经网络和广义线性模型类的模式特定解码器模型。许多自然现象,从物理学到心理学,以及许多工程系统,都可以被描述为(通常是非线性的)动力系统,其时间演变由一组微分或时间递归方程指定。循环神经网络可以用来推断这些方程。重建底层DS比训练系统对时间序列产生良好的提前预测更具挑战性,因为模型还必须重现底层系统的不变属性。原创 2023-04-17 10:56:10 · 670 阅读 · 1 评论 -
【时间序列论文】使用深度学习进行时间序列预测:一项调查
已经开发了许多深度学习架构来适应跨不同领域的时间序列数据集的多样性。在本文中,我们调查了单步和多水平时间序列预测中使用的常见编码器和解码器设计——描述了每个模型如何将时间信息纳入预测。接下来,我们重点介绍混合深度学习模型的最新发展,该模型将经过充分研究的统计模型与神经网络组件相结合,以改进任一类别的纯方法。最后,我们概述了深度学习还可以通过时间序列数据促进决策支持的一些方式。 时间序列建模历来是学术研究的一个关键领域——形成了气候建模 [1]、生物科学 [2] 和医学 [3] 等主题应用的一个组成部分翻译 2022-12-05 11:46:19 · 424 阅读 · 0 评论