TendiffPure：一种用于纯化的卷积张量链去噪扩散模型（英文）

扩散模型是有效的纯化方法,在现有分类器执行分类任务之前,使用生成方法去除噪声或对抗性攻击。然而,扩散模型的效率仍然是一个问题,现有的解决方案基于知识蒸馏,由于生成步骤较少,可能会危及生成质量。因此,我们提出TendiffPure,一种用于纯化的张量化和压缩的扩散模型。与知识蒸馏方法不同,我们直接使用张量链分解压缩扩散模型的U-Net骨干网络,减少参数数量,并在多维数据(如图像)中捕获更多的空间信息。空间复杂度从O(N²)减少到O(NR²),其中R≤4为张量序列秩,N为通道数。实验结果表明,基于CIFAR-10、Fashion-MNIST和MNIST数据集,TendiffPure可以更有效地生成高质量的净化结果,并在两种噪声和一次对抗性攻击下优于基线纯化方法。     

时序基因驱动的特征表示模型

定义“演变基因”的概念来捕获时间序列所隐含的用户行为，描述这些行为如何导致时间序列的产生.提出统一的框架，通过学习分类器来识别片段的不同演变基因，采用对抗性生成器估计片段的分布来实现演变基因.该模型有3个主要组成部分：基因识别，旨在学习片段的相应基因；基因生成，旨在学习从基因中生成片段；基因应用，旨在建模行为演变，将学习到的基因应用于未来值和事件的预测中.本研究的实验基于1个合成数据集和5个真实数据集，相关结果表明，该方法不仅可以获得好的预测结果，而且能够提供对结果的有效解释.     

一种基于混合模型的时间序列数据挖掘系统

时间序列数据挖掘是在从数据仓库中提取出有效历史数据的基础上，对其进行一定的处理，从而发现隐含、未知的有效信息．本阐述了一种新的基于灰色—回归—模糊神经网络混合模型的时间序列数据挖掘系统，重点讨论了灰色—回归—模糊神经网络混合模型的建立过程，并应用于浙江省可持续发展预测，取得了满意的结果．该混合模型融合多种智能计算方法优点于一体，为时序数据挖掘提供了一种新的实用方法．     

基于ARIMA模型的时间序列建模算法和实证分析

通过对时间序列ARIMA模型建模方法的研究,将方差分析运用于时间序列建模,对季节数据做方差检验并确定周期。基于统计软件SAS分析ARIMA模型建模方法的具体算法,绘制详细的建模流程图。从模型的识别、参数估计、建模和预测等各方面介绍了模型建立和预测的全过程。利用SAS软件,结合引入的方差检验方法和算法流程对1990年1月至2010年12月的中国消费者价格指数季节性时间序列建立了乘积ARIMA模型,预测并分析了CPI的基本走势。     

基于自动机模型数据关联性能评估算法

提出了一种基于自动机理论的性能评估方法,通过在有限自动机模型中增加描述观测的时间序列,来扩展其对数据关联过程的表达能力;使用时序有限自动机模型来描述关联处理算法的模型;使用带时间属性的字符串表示目标航迹。对数据关联的时序有限自动机模型进行一致性和可达性分析,并在此基础上给出了性能评估算法。实验结果证明该方法可以有效地评价关联算法的性能。     

超混沌序列的数字语音扩频调制研究

超混沌系统与普通混沌系统相比,产生的混沌序列有着更好的复杂性和类随机性,在保密通信中,具有很高的安全性。该文提出了把超混沌序列降维后应用于扩频通信的思想;设计了超混沌序列的降维模型,通过此降维模型生成了扩散均匀度较好的随机序列,对所设计的超混沌随机序列性能进行了深入分析,并对超混沌序列的语音扩频调制模型进行了实际仿真,验证了设计思路的正确性,为扩频保密通信技术的纵深研究提供了另外一条新的解决思路。     

时间序列ARMA模型的应用

对时间序列分析方法进行了介绍,对时间序列模型进行了研究。分析了时间序列模型的建立过程,并利用其中的ARMA模型对一个实例进行预测。结果表明,ARMA时间序列模型的预测结果是合理的。     

基于上下文生成对抗网络的时间序列异常检测方法

时间序列的异常检测是网络服务保障、数据安全检测、系统监控分析等应用中所依赖的一项关键技术。为解决在实际场景的时间序列异常检测中由于时间序列上下文的模糊性、数据分布的复杂性以及异常检测模型的不确定性所带来的异常检测结果的有效性、合理性、稳定性等不足的问题,本文提出了一种新的基于上下文生成对抗网络的时间序列异常检测方法AdcGAN。首先,通过处理历史数据,提取用于生成时序数据的条件上下文;然后,采用条件生成对抗网络的设计策略,使用条件上下文,构建上下文生成对抗网络,实现对任意时刻数据的条件分布预测,同时AdcGAN采用Dropout近似模型不确定性,使用概率分布代替点估计作为预测结果;接着,从观测的差异(用期望偏差表示)和模型的不确定性(用预测方差表示)两个方面来衡量异常;最后,提出基于数据统计信息的异常阈值自动设置方法,减少手动调节的参数量。实验结果表明,与同类基准算法进行对比,在NAB数据集中的47个真实时序数据上,本文提出的AdcGAN可以有效地检测出时序数据中的异常,在大多数评价指标上都优于其他基准方法,并且具有更好的稳定性。     

一种基于神经网络的非线性时间序列模型

非线性时间序列分析是目前迅速发展的一个课题，这是因为在现实世界中许多现象都不能很好地用线性模型解决。文章首先分析了时间序列模型的建立机制，然后利用神经网络进行非线性信号处理，从而构造了一种新的神经网络非线性时间序列模型。该文将此方法与ＡＲ模型和ＳＥＴＡＲ模型进行了数值结果对比，结果表明该文提出的方法优于这两种方法。     

单因素时间序列ARMA建模在卡钻预测中的应用研究

为了在实际钻井过程中避免和减少卡钻事故的发生,提出一种以单因素时间序列ARMA建模为基础,对钻井卡钻事故做出预期判断的方法,并利用钻井实际中的数据验证此方法的可行性。运用Eviews软件对青海地区某地热勘探井的相关数据建立各个参数的时序模型,对未来钻井数据进行预测,同时对各个ARMA模型做功率谱估计,比较相邻2个ARMA模型的功率谱密度,计算各个参数的综合功率谱叠加偏差值,作为判断卡钻的依据。实践证明此方法可提前预测钻井过程中的卡钻事故。     

综合时间序列分析和新颖性的信息扩散预测

现有信息扩散预测普遍依赖于社会网络构建,从而引发网络链路估计准确率低,信息扩散预测精度差的问题,为此提出了一种综合时间序列分析和信息新颖性的信息扩散预测方法.通过分析信息在网络节点上扩散随时间的变化特性,对网络节点的全局影响力进行估计,并考虑信息产生至节点受影响的时间差来衡量信息新颖性,进而平移调整节点影响力大小,最终实现信息扩散范围的预测.向斯坦福大学所提供测试数据的实验结果表明,新方法准确稳定地预测了信息扩散范围的实时变化.     

东亚国家经济内生成长模型的实证研究

以时间序列分析方法探讨内生成长模型理论，试图对东亚国家经济体系长期的经济成长效果进行实证研究。实证结果发现：从东亚国家成长率的时间序列分析检验结果看来，基本没有一个国家有如内生成长理论所强调的有恒久性变动现象，甚至可以说没有；另外在实质资本投资率方面，其时间序列分析结果，除了缅甸以外，其它11个国家在实质资本投资率上，皆呈现统计上显著增长。结果表明AK—style模型对于东亚快速发展地区背后长期经济成长的力量来源无法提供良好的预测。     

时间序列在建筑物沉降监测数据分析中的应用研究

在建筑物的沉降监测中,采用时间序列方法对观测数据进行分析处理,建立建筑物的动态沉降预测模型,并对其沉降趋势进行预测．从而选择合适的解决方案和采取相应的地基处理措施．把沉降量限定在允许范围内是极为重要的．介绍了时间序列分析方法中的AR模型,AR模型阶数的确定、参数估计、模型检验以及预报分析的方法,并结合某建筑物沉降观测的数据为例进行说明．     

人工神经网络应用于时间序列预测的探讨

介绍了时间序列方法和适用场合,突出了基于神经网络的时间序列信息预测方法的重要性,进一步研究了BP神经网络技术,包括BP网络模型结构、BP网络学习过程、BP算法,并概括了BP算法存在的不足和改进方向。     

技术扩散场技术扩散状态模型的理论研究

为研究技术扩散和吸收的运行机制,借用场的概念,提出技术扩散场的技术扩散思想,试图为研究技术扩散提供一种理论和方法。在系统地分析国内外有关技术扩散研究成果及发展趋势的基础上,对技术扩散场系统进行定义,建立了技术扩散场理论,在此基础上,详细分析了技术扩散的动力和影响技术扩散的因素。将影响技术扩散的主要因素加以抽象,建立了技术扩散场的三维空间坐标,为技术扩散设定了扩散的空间。建立了技术扩散场的技术扩散状态模型,该模型描述了技术扩散场处于静态场状态时技术扩散的扩散状态过程。在技术扩散场中,随影响因素的变化,技术扩散的规律遵循技术扩散状态模型。     

对时间序列的ARIMA调整与回归分析——以民航客运统计为例

以2003-2009年我国民航客运统计数据为样本,提出了采用ARIMA模型对时间序列进行预处理之后进行回归分析的研究方法。实证分析表明,ARIMA模型与回归分析相结合为基于月度数据的时间序列定量分析提供了一个有效的工具。     

计及温度影响的短期负荷预测时间序列模型

时间序列模型在国际和国内的短期电力负荷预测中得到了广泛应用.然而,这种方法的一个主要缺点是无法将影响负荷预测的主要因素之一即气象因素考虑进去.在此背景下,首先基于负荷和气温数据建立了负荷预测的回归模型,然后构造了回归模型残差累积式自回归一滑动平均模型并对回归模型进行修正.最后,用广东电力系统的实际负荷数据说明了所发展的...     

基于AP聚类-跳转持续MC的风电出力时间序列模拟生成方法研究

模拟生成概率等效条件下的风电出力时间序列对分析未来场景下风电出力不确定性以及提高风电消纳水平具有重要意义。针对传统马尔科夫链存在的问题,文中提出一种基于AP聚类-跳转持续马尔科夫链(Affinity Propagation Clustering-Transition and Persistence Markov Chain, AP-TP MC)的风电出力时间序列模拟生成方法。首先,对历史风电出力数据进行AP聚类,并对每一聚类类别下的风电序列建立相应的状态跳转矩阵;其次,依据马尔科夫链模型,结合风电出力状态持续时间特性,抽样并叠加符合混合高斯分布的波动分量,形成某一聚类类别下的风电出力时间序列;然后,依托类间转移矩阵,模拟生成风电出力时间序列;最后,通过对比传统马尔科夫链法与文中方法生成的风电出力时间序列与历史序列之间的统计指标、概率分布指标及自相关性指标,验证所提方法的有效性和准确性。     

变形观测数据时间序列建模中的几个问题

针对在变形观测数据时间序列建模中所遇到的问题,对变形观测数据时间序列建模中的数据预处理、模型 选择、模型定阶与系统稳定性检验等问题进行了研究,提出了分析数据趋势项提取的AR模型方法,编写了C语言 计算程序,实现了样条函数插值方法、周期项提取的差值法,建立ARMA分析模型,对变形预测数据与实际观测数 据进行了比较。结果表明:该方法的正确性以及时间序列分析方法在变形数据处理与分析中的适用性与可行性。     

基于时间序列趋势模型的研究与应用

该文针对呼叫中心话务量预测的问题,分析比较了目前常用的预测技术和方法,根据对实际话务量数据信息的分析研究,利用基于季节变动模型的时间序列分析方法,建立了原点相乘式直线型拟合季节变动趋势预测模型DART,对某呼叫中心话务量的时间序列进行了分析处理和预测,预测的结果表明该趋势模型能较全面地达到所要求的拟合效果和精度,从而较好地解决呼叫中心的呼入话务量的实际预测问题。