进行准确和可解释的时间序列预测是重要的，但也是具有挑战性的。虽然深度学习方法可以提高预测精度，但往往会牺牲可解释性。在本文中，我们提出了一种新的系列显著性方案，以提高准确性和...
发简信
IP属地：上海
-
Two Birds with One Stone: Series Saliency for Accurate and Interpretable Multivariate Time Series... -
Towards Spatio-Temporal Aware Traffic Time Series Forecasting摘要：由于复杂的时空动态，不同地点的时间序列往往具有不同的模式，交通时间序列预测具有挑战性;对于相同的时间序列，模式可能会随着时间而变化，例如，一天中某些时段显示出更强的时间...
-
Triformer: Triangular, Variable-Specific Attentions for Long Sequence Multivariate Time Series Fo...现实世界的各种应用都依赖于遥远未来的信息来进行决策，因此需要高效、准确的长序列多元时间序列预测。虽然最近的基于注意力的预测模型显示出在捕获长期相关性方面的强大能力，但它们仍然...
-
unsupervised representation learning for time series with temporal neighborhood coding时间序列往往是复杂和信息丰富，但标签稀疏，因此具有挑战性的建模。在本文中，我们提出了一个学习非平稳时间序列广义表示的自监督框架。我们的方法称为时间邻域编码(TNC)，利用信号...
-
Unsupervised Scalable Representation Learning for Multivariate Time Series时间序列对机器学习算法来说是一种具有挑战性的数据类型，因为它们在实践中具有高度可变的长度和稀疏标记。在本文中，我们提出了一种学习时间序列通用嵌入的无监督方法来解决这一挑战。与...
-
Time-Series Representation Learning via Temporal and Contextual Contrasting从具有时间动态的未标记时间序列数据中学习体面的表示是一项非常具有挑战性的任务。本文提出了一种基于时间与上下文对比(TS-TCC)的无监督时间序列表示学习框架，用于学习无标记数...
-
GPU基本知识一.CPU和GPU区别 其中绿色的是计算单元，橙红色的是存储单元，橙黄色的是控制单元。GPU采用了数量众多的计算单元和超长的流水线，但只有非常简单的控制逻辑并省去了Cache...
-
GraphSleepNet: Adaptive Spatial-Temporal Graph Convolutional Networks for Sleep Stage Classificat...睡眠阶段分类对睡眠评估和疾病诊断至关重要。然而，如何有效地利用不同睡眠阶段的大脑空间特征和过渡信息仍然是一个挑战。特别是，由于对人类大脑的认识有限，为睡眠阶段的分类预先定义一...
-
learning to remember patterns: pattern matching memory networks for traffic forecasting由于复杂的路网和道路上各种事件引起的速度突变，交通预测是一个具有挑战性的问题。一些模型已经被提出来解决这一具有挑战性的问题，重点是学习道路的时空相关性。在这项工作中，我们提出...
-
TS2Vec: Towards Universal Representation of Time Series本文提出了TS2Vec，一个学习任意语义层次时间序列表示的通用框架。与现有的方法不同，TS2Vec在增强的上下文视图上以分层的方式执行对比学习，它支持每个时间戳的健壮上下文表...
-
tamp-s2gcnets: coupling time-aware multipersistence knowledge representation with spatio-supra gr...图神经网络(gnn)已被证明是一种强大的机器，学习复杂依赖在多元时空过程。然而，大多数现有的gnn具有固有的静态架构，因此，不能显式地考虑编码知识的时间依赖性，并限制了它们同...
-
depts: deep expansion learning for periodic time series forecasting长时间序列周期性预测问题 首先，未来的TS信号产生了对相邻历史观测和固有周期性的复杂依赖 第二个挑战在于，一个典型的真实世界TS的固有周期性通常是由不同振幅和频率的不同周期组...
-
coherence-based label propagation over time series for accelerated active learning时间序列数据普遍存在，但缺乏标签被认为是时间序列数据广泛适用性的障碍。同时，主动学习已被成功地应用于减少各种任务中的标记努力。因此，本文研究了一个重要的问题——时间序列主动学...
-
pyraformer: low-complexity pyramidal attention for long-range time series modeling and forecasting以时间序列数据为基础，对过去的未来进行准确的预测是至关重要的，因为这为提前进行决策和风险管理打开了大门。在实践中，挑战是构建一个灵活但简洁的模型，可以捕获广泛的时间依赖性。在...
-
Evolutionary Clustering of Streaming Trajectories智能手机和具有定位功能的联网车载设备的广泛部署，使得收集移动物体的流轨迹数据变得越来越可行。这些数据的连续聚类可以实现各种实时服务，如实时识别对象之间的代表性路径或共同移动趋...
-
A Density-Based Algorithmfor Discovering Clusters in LargeSpatial Databaseswith Noise（KDD-96）摘要聚类算法对解决空间数据中的分类问题很有吸引力，然而，大型空间数据对聚类算法产生了下列需求：减少输入参数所需要的领域知识，对不规则形状进行聚类以及在大数据上的高效率聚类。目...
-
INDUCTIVE MATRIX COMPLETION BASED ON GRAPH NEURAL NETWORKS摘要：在本文中，我们提出了一个基于归纳图的矩阵补全(IGMC)模型来解决这个问题。IGMC纯粹基于评价矩阵生成的(用户、物品)对周围的1跳子图来训练图神经网络(GNN)，并将...
-
Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs长期以来，多元时间序列预测在能源消耗和交通预测等实际应用中受到了广泛关注。虽然最近的方法显示出良好的预测能力，但它们有三个基本的局限性。(i).离散神经结构:交错单独参数化的...
-
基于键值存储的分布式时序相似性搜索方法（软件学报）摘 要: 时序相似性搜索是时序数据分析最基本的操作之一, 具有广泛的应用场景. 针对现有分布式算法无法应 对维度增长、扫描范围过大和相似性计算耗时的问题, 提出一种面向键值存...
-
TraSS: Efficient Trajectory Similarity Search Based on Key-Value Data Stores摘要： 近年来，相似性搜索已成为许多轨迹数据分析任务的重要组成部分。随着轨迹数量的增加，我们必须在大量轨迹中找到类似的轨迹，需要一个可扩展和有效的框架。通常，大量的轨迹数据可...