Multi-Variate Time Series Forecasting on Variable Subsets（KDD2022）

最新推荐文章于 2024-11-03 22:14:01 发布
最新推荐文章于 2024-11-03 22:14:01 发布
阅读量144 收藏
点赞数 3
分类专栏： 图数据挖掘 文章标签： 人工智能 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/zj_18706809267/article/details/126405012
版权
本文探讨了在存在长期数据丢失或资源领域切换时，MTSF模型的鲁棒性问题。通过实验展示了现有方法在变子集预测(VSF)中的性能下降，提出了一种非参数包装技术，能有效恢复模型性能，即使仅15%变量可用。
摘要由CSDN通过智能技术生成

本文在多变量时间序列预测(MTSF)领域制定了一种新的推理任务，称为变子集预测(VSF)，在推理过程中只有一小部分变量可用。在推理过程中，由于长期的数据丢失，变量是缺失的。传感器故障)或高→低资源域在训练/测试之间切换。据我们所知，在存在此类故障时，MTSF模型的鲁棒性还没有在文献中研究过。通过广泛的评估，本文首先表明，最先进方法的性能在VSF设置中显著下降。本文提出一种非参数的包装技术，可应用于任何现有的预测模型。通过对4个数据集和5个预测模型的系统实验，表明所提出技术能够恢复模型近95%的性能，即使只有15%的原始变量存在。

 Variables are absent during inference because of longterm data loss (eg. sensor failures) or high→low-resource domain shift between train / test. 

西西弗的小蚂蚁
关注
专栏目录
multivariate-timeseries-forecasting:一组用于多元时间序列预测的算法
04-28
MultivariateTimeSeries预报 分析LSTM和GRU以进行时间序列预测。 数据文件-LOAD.csv Jupyter笔记本-LoadPrediction.ipynb
ST-Norm: Spatial and Temporal Normalization for Multi-variate Time Series Forecasting（KDD2021）
小蚂蚁与大象
06-02 1568
ST-Norm: Spatial and Temporal Normalization for Multi-variate Time Series Forecasting（KDD2021） 多变量时间序列(MTS)数据是现实世界中普遍存在的一类数据抽象。MTS的任何实例都是由混合动力系统产生的，其具体动力学通常是未知的。这种动力系统的混合性质是复杂的外部影响的结果，从时间上可以概括为高频和低频，从空间上可以概括为全局和局部。这些影响也决定了MTS的未来发展，使其在时间序列预测任务中至关重要。然而，传统的方
时间序列预测相关论文
m0_52641463的博客
10-14 1509
1.Two Birds with One Stone: Series Saliency for Accurate and Interpretable Multivariate Time Series Forecasting. 将时间序列看作一种序列图像，利用DNN执行预测任务，同时加入了注意力mask，提升预测性能的同时增加预测的可解释性。 ...
【时间序列】KDD 2021丨时间序列相关研究论文汇总
AI蜗牛车
08-19 2993
ACM SIGKDD（Conference on Knowledge Discovery and Data Mining, KDD）是全球最大规模的国际数据科学会议，将展示知识发现和数据挖...
愉快的学习就从翻译开始吧_Multivariate Time Series Forecasting with LSTMs in Keras_0
dreamscape9999的博客
06-14 534
Multivariate Time Series Forecasting with LSTMs in Keras/Keras中多变量时序预测Neural networks like Long Short-Term Memory (LSTM) recurrent neural networks are able to almost seamlessly model problems with mul...
Asymptotic properties of Pearson׳s rank-variate correlation coefficient in bivariate normal model
02-10
本文探讨了在双变量正态分布模型中，皮尔逊等级相关系数（Pearson's rank-variate correlation coefficient，简称PRVCC）的渐近性质。研究中确立了当样本来自双变量正态分布时，皮尔逊等级相关系数期望值和方差的...
EXPLORING THE INTERPRETABILITY OF LSTM NEURAL NETWORKS OVER MULTI-VARIABLE DATA
10-18
In learning a predictive model over multivariate time series consisting of target and exogenous variables, the forecasting performance and interpretability of the model are both essential for ...
Expectation-Maximization algorithm for bi-variate Normal Inverse Gaussian distribution:Expectation-Maximization (EM) algorithm for bivariate Normal Inverse Gaussian (biNIG) distribution-matlab开发
06-01
双变量NIG分布参数的EM估计。 测试文件： 1.... 2. 调用 EMBIVNIG.m（起始参数的值是任意选择的）。 3.... 参考： “具有多元正态逆高斯分布的重尾过程的 EM 估计和建模”，Oigard、Hanssen、Hansen 和 Godtliebsen，...
非均匀随机变量生成Non-Uniform Random Variate Generation
11-15
本书围绕随机变量生成算法的预期复杂性展开。 它建立了一个理想的计算模型，引入了均匀有界期望复杂度的概念，并研究了计算复杂度的界线。
TMVA Toolkit for Multi Variate Analysis:一个ROOT集成的工具包，用于多变量分析-开源
04-29
TMVA是用于多变量分类和回归分析的ROOT集成工具包。 TMVA执行各种多元方法的培训，测试和性能评估。 自2013年以来，TMVA已与ROOT完全集成并作为其一部分进行分发。 TMVA的新主页为https://root.cern
[转]Multivariate Time Series Forecasting with LSTMs in Keras
weixin_30377461的博客
08-14 212
1. Air Pollution Forecasting In this tutorial, we are going to use the Air Quality dataset. This is a dataset that reports on the weather and the level of pollution each hour for five years at the U...
UOS AI 1.6 版本升级，如何实现精准搜索，效率翻倍？
vickynesss的博客
11-01 379
通过直接接入互联网的实时数据流，搜索结果变得多样化，不仅限于文字总结，还包括思维导图、事件与人物的综合概述，以及图片、视频、音频等多种形式，显著提高了回答的准确性和全面性。全局搜索全新搭载端侧大模型：支持离线自然语言搜索，无论身在何处，即使没有网络，只需通过快捷键“Shift+space(空格键）”唤醒全局搜索，都能轻松找到所需文件。：对于日常积累的海量截图，只需借助全局搜索功能，简要描述图片内的文字信息，便能迅速锁定并检索到所需图片。：重要信息直接添加到知识库，方便日后查阅，让全局搜索成为你的第二大脑。
基于Keras的U-Net模型在图像分割与计数中的应用
10-31 1955
网络结构优化：项目基于经典的U-Net模型进行改进，采用了更深的网络层次结构，使模型能够在多尺度上捕捉到图像中的细节信息。特别是针对医学图像分割，项目通过增加卷积层数和引入Dropout层来增强模型的特征提取能力，并有效防止过拟合，从而提高模型在训练数据较少情况下的表现。项目中采用了he_normal初始化器和relu激活函数组合，使得网络在训练时能够更快地收敛，降低梯度消失的风险。自定义数据增强策略：在中实现了一个自定义的图像增强类。
如何在 AI 时代打造你的核心竞争力？
玉树芝兰
11-01 266
（注：本文为小报童精选文章。已订阅小报童或加入知识星球「玉树芝兰」用户请勿重复付费）焦虑在《AI 研究已摘得诺奖桂冠，普通科研工作者将何去何从？》一文中我谈过自己对目前 AI 技术浪潮对大众影响的体会——未来已来，只是分布不均。很多人在还没有意识到 AI 带来的变革潜能时，觉得与自己无关，日子该怎么过怎么过，倒也轻松。而一旦突然意识到 AI 的重要性，就会变得焦虑万分。这种焦虑，就是挣扎与思考在外...
基于MATLAB的战术手势识别
最新发布
2401_84801422的博客
11-03 509
模板匹配法：作为最接近人本身对事物的识别的方法，模型匹配法是将传感器输入的原始数据与预先存储的模板进行匹配，通过测量两者之间的相似度来完成识别，相应的，模型匹配法需要大量的基础数据作为匹配对象来确保识别率，所以受到噪声、光照等复杂环境影响较大，并且识别速度慢。手势的完成是一个动态的过程，这个过程包括了手指弯曲引起的手的形状和手在空间中的位置和方位的变化两个方面，在实际识别过程中，根据手势的时间特征，可以将手势分为静态手势和动态手势两种。同时，为训练成果的检验提供了一种更为智能化的方式。
YoloV9改进策略：Block改进|RFE模块，提高小物体的识别精度|即插即用|代码+修改过程
m0_47867638的博客
10-29 396
本文介绍了一种基于YOLOv5的人脸检测方法，命名为YOLO-FaceV2。该方法旨在解决人脸检测中的尺度变化、简单与困难样本不平衡以及人脸遮挡等问题。通过引入一系列创新模块和损失函数，YOLO-FaceV2在WiderFace数据集上取得了优异的表现，特别是在小物体、遮挡和困难样本的检测上。
AI产品经理实战手册：策略、开发与商业化指南
清图出版
10-31 541
通过《AI产品经理手册》，将可以了解不同类型的AI，如何将AI整合到产品或业务中，以及支持创建AI产品或将AI集成到现有产品所需的基础设施。熟悉实践管理AI产品开发流程、评估和优化AI模型，以及应对与AI产品相关的复杂伦理和法律问题等相关知识。通过案例研究和学习，在快速发展的AI和机器学习领域保持领先地位。通过阅读本书，读者将能够从产品角度全面了解AI领域。
AI代币是什么？AI与Web3结合的未来方向在哪里？
BlockOne11的博客
10-30 1146
近两年随着人工智能的崛起，AI已经渗透到制造业、电商、广告、医药等各个行业，加密货币领域也不例外，人工智能与区块链的融合，让我们看到了独特的数字资产 — AI加密代币。它的流行始于2022年底，随着OpenAI智能聊天机器人ChatGPT的火爆，许多人意识到，人工智能不再只是出现在电影里面，更多的应用已经照进现实，AI已经作为一种高效的生产力应用到实际的产业中。人工智能狂热也影响了机构巨头。例如，谷歌宣布将着手开发自己的人工智能聊天机器人 Bard。
一篇文章入门梅尔频率倒谱系数
julac的博客
10-29 986
计算Mel刻度滤波器组Filter Banks由语音信号的性质和人类对这些信号的感知所驱动的；计算MFCC由一些机器学习算法的限制所驱动的计算量：MFCC是在FBank的基础上进行的特征区分度：FBank特征相关性较高（相邻滤波器组有重叠），MFCC具有更好的判别度信息量：Filter Banks包含比MFCC更多的信息如果机器学习算法不易受高度相关输入的影响，则使用Mel刻度滤波器组。如果机器学习算法易受相关输入的影响，则使用MFCC。
python time series predict model multi
03-31
variate A multivariate time series prediction model in Python is a model that takes multiple variables as inputs to predict the future values of a time series. This can be useful in situations where the behavior of a time series is influenced by multiple factors or variables. There are several approaches to building multivariate time series prediction models in Python, including: 1. Vector Autoregression (VAR) Model: The VAR model is a popular approach for modeling multivariate time series data. It assumes that each variable in the time series is affected by its own lagged values as well as the lagged values of the other variables. 2. Long Short-Term Memory (LSTM) Network: LSTM is a type of recurrent neural network that is commonly used for modeling time series data. It can handle multivariate time series data by taking multiple input sequences and predicting multiple output sequences. 3. Convolutional Neural Network (CNN): CNNs are commonly used for image processing tasks, but they can also be used for time series prediction. In a multivariate time series prediction context, CNNs can take multiple time series as inputs and predict multiple output time series. 4. Support Vector Regression (SVR): SVR is a machine learning technique that can be used for time series prediction. It works by finding a hyperplane that best separates the input data into different classes, and then uses this hyperplane to make predictions. Overall, the choice of model will depend on the specific characteristics of the time series data and the prediction task at hand. It is important to evaluate the performance of different models using appropriate metrics and techniques such as cross-validation.
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值