时间序列的表示与分类算法综述

时间序列是按照时间排序的一组随机变量,它通常是在相等间隔的时间段内,依照给定的采样率,对某种潜在过程进行观测的结果。时间序列数据广泛地存在于商业、农业、气象、生物科学以及生态学等诸多领域,从时间序列中发现有用的知识已成为数据挖掘领域的研究热点之一。在时间序列表示方面,主要介绍了非数据适应性表示方法、数据适应性表示方法和基于模型的表示方法;针对时间序列的分类方法,着重介绍了基于时域相似性、形状相似性和变化相似性的分类算法,并对未来的研究方向进行了进一步的展望。     

深度学习应用于时序预测研究综述

时间序列一般是指对某种事物发展变化过程进行观测并按照一定频率采集得出的一组随机变量。时间序列预测的任务就是从众多数据中挖掘出其蕴含的核心规律并且依据已知的因素对未来的数据做出准确的估计。由于大量物联网数据采集设备的接入、多维数据的爆炸增长和对预测精度的要求愈发苛刻,经典的参数模型以及传统机器学习算法难以满足预测任务的高效率和高精度需求。近年来,以卷积神经网络、循环神经网络和Transformer模型为代表的深度学习算法在时间序列预测任务中取得了丰硕的成果。为进一步促进时间序列预测技术的发展,综述了时间序列数据的常见特性、数据集和模型的评价指标,并以时间和算法架构为研究主线,实验对比分析了各预测算法的特点、优势和局限;着重介绍对比了多个基于Transformer模型的时间序列预测方法;最后结合深度学习应用于时间序列预测任务存在的问题与挑战,对未来该方向的研究趋势进行了展望。     

基于小波分解的网络流量时间序列建模与预测

提出一种基于小波分解的网络流量时间序列的分析和预测方法。将非平稳的网络流量时间序列通过小波分解成为多个平稳分量,采用自回归滑动平均方法分别对各平稳分量进行建模,将所有分量的模型进行组合,得到原始非平稳网络流量时间序列的预测模型。在仿真实验中,利用网络流量文库的时间序列数据建立了预测模型,并对其进行独立测试检验。仿真结果表明,本预测方法提高了网络流量时间序列的预测准确率,是一种有效、稳健的网络流量预测方法。     

基于小波和支持向量机的多尺度时间序列预测

介绍了相空间重构和基于支持向量机的时间序列预测建模技术,提出了基于小波和支持向量机的复杂时间序列预测方法,利用小波对复杂时间序列进行多尺度分解,对重构后的近似序列和细节序列分别利用支持向量机进行回归预测并将结果融合。对股票数据进行预测,试验结果表明该方法预测精度高于单尺度支持向量机和神经网络预测方法,可用于复杂非平稳时间序列的预测。     

SPG-Suite：面向伪周期时间序列的预测方法

伪周期时间序列是一种广泛存在的数据形式,它具有伪周期性、非平稳性和特征值等特征。对这类时间序列进行预测,具有很强的研究和应用意义。然而,目前的相关研究对伪周期时间序列的关注度不足,一些已有的时间序列预测方法在应用到伪周期时间序列上时,会造成误差的累积,使得预测效果很差。为了解决这些问题,总结了伪周期时间序列的特征,并提出了SPG-Suite预测方法,很好地解决了传统方法无法解决的问题。最后,在真实的数据集上进行了实验,并与传统方法进行了对比,实验结果表明,SPG-Suite方法在预测精度上具有明显的优势,并具有较强的可扩展性。     

基于混沌时间序列的变电站设备温度预测

变电站输变线路和设备的温度变化能够反映其老化、负载过高等引起的安全隐患.通过对变电站设备温度数据的非线性分析和预测,实现对设备的有效预警,将避免事故引起的巨大损失.对变电站已测温度数据建立时间序列,利用小数据量法验证变电站设备温度时间序列的混沌特性.研究基于RBF神经网络的混沌时间序列预测并与神经网络预测进行对比,单步预测与多步预测结果均优于神经网络预测.仿真结论证明了基于神经网络的混沌时间序列预测方法的有效性.     

间歇性时间序列的可预测性评估及联合预测方法

在高端制造企业的运维业务中,配件需求随机发生,且伴随有大量的零需求阶段,同时,对应的配件需求数据量小,且呈现出间歇性和块状分布的特点,导致现有时间序列预测方法难以有效预测配件需求走势。为解决该问题,提出了一种间歇性时间序列的可预测性评估及联合预测方法。首先,提出了一种新的间歇相似度指标,通过统计两条序列中“0”元素出现的频次和位置,并结合最大信息系数和平均需求间隔等度量指标,有效评估了序列的趋势信息和波动规律,并实现了对间歇性序列可预测性的量化;其次,基于该指标,构建了一个间歇相似度层次聚类方法来自适应地筛选相似性高、可预测性强的序列,剔除极度稀疏、无法预测的序列;此外,探索利用序列间的结构化信息,并构建多输出支持向量回归（M-SVR）模型,从而实现小样本下的间歇性序列联合预测;最后,分别在两个公开数据集（UCI礼品零售数据集和华为电脑配件数据集）和某大型制造企业实际配件售后数据集上进行实验。实验结果表明,相比多个典型的时间序列预测方法,所提方法可有效挖掘各类间歇性序列的可预测性,提高小样本间歇性序列的预测精度,从而为制造企业配件需求预测提供了一种新的解决方案。     

基于核方法的非线性时间序列预测建模

提出了一种基于核的非线性时间序列预测建模方法。对非线性时间序列的相空间进行重构以确定其嵌入维数，并提出一种基于核主成分分析的非线性时间序列相空间重构方法，针对时间序列的时序特征，采用一种加权的支持向量回归模型对时间序列预测建模。在不同基准数据集上的实验结果表明，与通常的基于普通支持向量回归的建模方法相比，该文所提出的预测建模方法具有较高的精度，说明所提方法对非线性时间序列的预测建模是有效的。     

利用小波分解的时间序列云量预测方法

针对传统模型对高分辨率云量时间序列数据适用性差、拟合效果较差以及预测结果准确度低的问题,提出了一种基于小波分解的云量时间序列组合模型预测方法。该方法可以有效提取高分辨率云量时间序列数据的低频趋势序列信息和高频随机序列信息,利用波动特征与随机项扰动纠正,对未来一段时期的云量分布进行预测。试验结果表明,该预测方法改进了传统方法对高分辨率数据适用性较差的问题,能够较为准确地拟合时间序列数据的变化规律,提高了预测准确度,为较长周期的卫星成像数据的选取提供重要的参考依据。     

一种基于深度学习的时间序列预测方法

时间序列是一种广泛存在于现实各领域之中的海量高维数据,时间序列预测是该领域的一个研究重点.传统的时间序列预测方法仅仅从时间的维度对时间序列进行分析,忽略了外界影响因素对时间序列可能产生的影响.针对传统时间序列预测方法存在的问题,提出一种基于深度学习的时间序列预测模型DAFDCRNN (dual-stage attention and full dimension convolution based recurrent neural network).该模型引入目标注意力机制来学习输入特征与被预测特征之间的相关性,引入全维度卷积机制来学习输入特征之间的相关性,并引入时间注意力(temporal attention)机制来学习时间序列的长期时间依赖性.在实验部分首先确定模型的超参数,然后对模型部件的有效性进行验证,最后通过对比实验验证了所提出的DAFDC-RNN模型在大特征量数据集上具有最佳的预测效果.     

基于关联向量机的混沌时间序列预测

混沌是一种貌似无规则的运动,指在确定的系统中,不需附加任何随机因素亦可出现类似随机的行为.在混沌的研究上,根据混沌系统提取的非线性时间序列对系统的未来进行预测,是一个十分重要的方面,混沌时间序列的非线性性给预测建模带来困难.关联向量机(RVM)是一种建立在支持向最机(SVW)之上的统计学习新方法.基于RVM埘以典型混沌时间序列为对象展开预测研究,实验表明在若干步内,RVM具有较高预测准确度,适用于混沌时间序列的多步预测.     

Time series forecasting with a neuro-fuzzy modeling scheme

Time series forecasting concerns the prediction of future values based on the observations previously taken at equally spaced time points. Statistical methods have been extensively applied in the forecasting community for the past decades. Recently, machine learning techniques have drawn attention and useful forecasting systems based on these techniques have been developed. In this paper, we propose an approach based on neuro-fuzzy modeling for time series prediction. Given a predicting sequence, the local context of the sequence is located in the series of the observed data. Proper lags of relevant variables are selected and training patterns are extracted. Based on the extracted training patterns, a set of TSK fuzzy rules are constructed and the parameters involved in the rules are refined by a hybrid learning algorithm. The refined fuzzy rules are then used for prediction. Our approach has several advantages. It can produce adaptive forecasting models. It works for univariate and multivariate prediction. It also works for one-step as well as multi-step prediction. Several experiments are conducted to demonstrate the effectiveness of the proposed approach.     

事件预测的时间序列数据挖掘方法

研究了应用数据挖掘技术预测时间序列数据中事件的方法。针对时间序列数据提出了显著特征提取算法，给出了特征间的相似度量标准，并应用特征聚类算法，将时间序列数据转换成相应的特征序列表示。应用频繁模式发现算法和预测模式生成算法在预测时段内发现与目标事件相关的时序特征模式，预测事件的发生。实验结果表明，该文所提出的方法能够有效地预测时间序列数据中的事件。     

基于过程神经网络的时间序列预测及其应用研究

针对传统时间序列预测方法难以表达时间序列中时间累积效应的缺陷，提出一种基于过程神经网络的时间序列预测方法．就时间序列的短期预测和长期预测问题分别应用该方法建立了两种预测模型，并给出了相应的学习算法．以航空发动机状态监控中滑油铁金属含量预测为例验证了两种预测模型及其学习算法的有效性，并得到了满意的结果．     

基于RELM的时间序列数据加权集成分类方法

时间序列数据通常是指一系列带有时间间隔的实值型数据,广泛存在于煤矿、金融和医疗等领域.为解决现有时间序列数据分类问题中存在的含有大量噪声、预测精度低和泛化性能差的问题,提出了一种基于正则化极限学习机(RELM)的时间序列数据加权集成分类方法.首先,针对时间序列数据中所含有的噪声,利用小波包变换方法对时间序列数据进行去噪...     

一种时间序列分解的卫星周期性参数预测方法

卫星遥测参数预测对卫星故障发现有着重要的指导作用。针对周期性参数难以预测的问题,提出了一种基于时间序列分解的卫星周期性参数的预测方法。该方法首先在频域上使用小波分析对参数序列进行降噪并提取参数的周期;然后,在时域上对参数的时间序列进行分解,进一步得到参数的趋势项和随机项,并根据各项特点分别使用灰色模型和ARMA模型进行预测;最后,重组各部分的预测值,得到最终预测结果。通过对我国某卫星遥测数据的对比实验分析,验证了该方法的正确性和有效性。     

Prediction method of autoregressive moving average models for uncertain time series

ABSTRACT

Time series analysis is based on the continuous regularity of the development of objective things to predict the next value depending on observed values. Based on time series analysis, we present autoregressive moving average models to predict the next future value for an uncertain time series. In this paper, imprecise observations and disturbance terms are regarded as uncertain variables and assume that the latter are satisfied uncertain normal distribution. The prediction models of uncertain time series are established combining the knowledge of autoregressive model and uncertainty theory. Therefore, the interval range of the next future value is predicted based on the reliability constraint. As an illustration to compare with the numerical examples of the existing prediction method, the innovations and effectiveness of the work are further demonstrated by the computational results.     

Polarization of forecast densities: A new approach to time series classification

Time series classification has been extensively explored in many fields of study. Most methods are based on the historical or current information extracted from data. However, if interest is in a specific future time period, methods that directly relate to forecasts of time series are much more appropriate. An approach to time series classification is proposed based on a polarization measure of forecast densities of time series. By fitting autoregressive models, forecast replicates of each time series are obtained via the bias-corrected bootstrap, and a stationarity correction is considered when necessary. Kernel estimators are then employed to approximate forecast densities, and discrepancies of forecast densities of pairs of time series are estimated by a polarization measure, which evaluates the extent to which two densities overlap. Following the distributional properties of the polarization measure, a discriminant rule and a clustering method are proposed to conduct the supervised and unsupervised classification, respectively. The proposed methodology is applied to both simulated and real data sets, and the results show desirable properties.