标签
本文介绍了HARN，一个用于金融时间序列事件驱动多时间框架预测的分层关联共振网络，通过多个资产的评估，显示出与基线相比具有竞争力的结果。
TimeEvo 是一种故障驱动的自进化方法，用于时间序列智能体，它能够诊断能力差距、综合工具，并在任务和骨干网络上提高准确性。
本文回顾了随机微分方程与神经网络在天体物理时间序列分析中的应用，介绍了Continuous-Delayed-Memory Stochastic Gradient Descent以改进优化，并提出了一种连续时间强化学习框架。
本文提出分数阶普通最小二乘网格搜索（FO-GS），一种从单一轨迹识别分数阶线性时不变系统的方法，具有理论误差界限和实验验证。
本文介绍了Calendar-SPCA，一种用于多周期电力消耗曲线的可解释表征学习的日历结构稀疏主成分方法，展示了在增加稀疏性和一致性的同时保持高解释方差。
DynG-Diff提出了一种状态感知的动态引导扩散框架，用于概率性多元时间序列预测，通过自适应处理变量异质性来提升鲁棒性。
本文批判性审查了时空预测的基准数据集与基线，表明经典线性模型常与图神经网络 (GNNs) 相媲美，突出了区分可靠性问题，并倡导更严格的评估。
本文提出了SCPaT，一个基于Transformer的多元时间序列预测框架，它使用语义结构化分区来解决现有基于块方法的局限性，并在真实数据集上展示了有效性。
本文介绍了DNBNet，一种用于不规则时间序列预测的去偏神经基函数网络，通过纠正渐近偏差和使用自适应神经基函数来解决现有方法的局限性。
本研究利用来自悉尼的联网车辆遥测数据预测高风险驾驶热点，评估机器学习和时间序列模型在主动道路安全干预中的表现。
一本全面指南，介绍卡尔曼滤波器及其在构建更智能交易系统中的应用，包括数学基础和可用于生产环境的示例。
这篇学术论文提出了一种用于ESA卫星遥测异常检测的层次化集成管道，利用基于形状序列（shapelet）和统计的特征提取技术，来识别多元时间序列数据中的细微异常。