暂无搜索历史
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...
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...
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,...
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...
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...
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...
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...
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...
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...
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...
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