torch time series, final episode: Attention
我们通过使用一种在自然语言处理中非常流行且受人类（和动物）认知启发的技术来增强上次的序列到序列架构，从而结束使用 torch 进行时间序列预测的迷你系列：注意力。
torch time series, take three: Sequence-to-sequence prediction
在我们对时间序列预测技术的概述中，我们转向序列到序列模型。该系列中的架构通常用于自然语言处理 (NLP) 任务，例如机器翻译。然而，对于 NLP，在进行模型定义和训练之前需要进行大量的预处理。在熟悉的数值序列中，我们可以完全专注于概念。
torch time series continued: A first go at multi-step prediction
我们继续探索使用 torch 进行时间序列预测，转向为多步预测设计的架构。在这里，我们通过多层感知器 (MLP) 增强了“主力 RNN”，以推断未来的多个时间步。
Introductory time-series forecasting with torch
这篇文章介绍了使用 torch 进行时间序列预测。核心主题是数据输入和 RNN（GRU/LSTM）的实际使用。即将发布的文章将以此为基础，并介绍越来越复杂的架构。
Introducing sparklyr.flint: A time-series extension for sparklyr
我们很高兴地宣布，sparklyr.flint 现已在 CRAN 上可用，它是使用 Flint 大规模分析时间序列的 sparklyr 扩展。Flint 是一个用于处理 Apache Spark 中时间序列的开源库，支持对时间序列数据集进行聚合和连接。
FNN-VAE for noisy time series forecasting
在这个关于使用假最近邻 (FNN) 损失进行预测的迷你系列的最后一部分中，我们用卷积 VAE 替换了上一篇文章中的 LSTM 自动编码器，从而实现了相同的预测性能，但训练时间明显缩短。此外，我们发现，当底层确定性过程被大量噪声所掩盖时，FNN 正则化会大有帮助。
Time series prediction with FNN-LSTM
在最近的一篇文章中，我们展示了如何使用由假最近邻 (FNN) 损失正则化的 LSTM 自动编码器来重建非线性混沌动态系统的吸引子。在这里，我们探讨了同样的技术如何帮助进行预测。与容量相当的“原始 LSTM”相比，FNN-LSTM 可以提高一组非常不同的真实世界数据集的性能，尤其是对于多步预测中的初始步骤。
Time Series Forecasting with Recurrent Neural Networks
在本文中，我们将回顾三种用于提高循环神经网络性能和泛化能力的高级技术。我们将在温度预测问题上演示这三个概念，您可以访问来自安装在建筑物屋顶上的传感器的时间序列数据点。
A Python Package to Assist Macroframework Forecasting: Concepts and Examples
Sakai Ando，Shuvam Das和Sultan Orazbayev讨论了一个Python包装，以协助宏观预测：在预测经济时间序列中，统计模型通常需要互补，以平稳地强加各种约束。系统地施加限制和保持光滑度很重要，但具有挑战性。 Ando（2024）提出[…]
The First of Two Arctic Sea Ice Trilogies
我从来没有与Glen Rudebusch等人一起陷入以下北极海冰“三部曲”，就像2020年代初期该博客休眠时所做的许多研究一样。它与第一个无冰北极9月的时机有关 - 哪些统计时间序列模型可靠地预测；相比之下，为什么大规模的结构气候模型往往会弄错事；以及为什么要关心。我现在发布它不仅是因为我只是认为它很有趣且重要（我也希望您也会），还因为它与我的下一篇文章（在相关但不同的北极海冰三部曲上）形成鲜明对比。敬请关注！ Diebold，F.X。 and Rudebusch, G.D. (2022), “Probability Assessments of an Ice-Free Arctic: Com
Empowering air quality research with secure, ML-driven predictive analytics
在这篇文章中，我们使用Amazon Sagemaker AI，AWS Lambda和AWS步骤功能提供了数据插补解决方案。该解决方案是为需要可靠的PM2.5数据进行趋势分析，报告和决策的可靠数据的环境分析师，公共卫生官员和商业智能专业人员设计的。我们从OpenAfrica采购了样本培训数据集。我们的解决方案使用预测时间序列预测PM2.5值。
Prediction engines provide new ways to forecast future
我们正在回顾Cosmos Print Magazine的故事。 2025年3月，马克·皮斯斯（Mark Pesce）解释了普遍的时间序列变压器，即未来的预测引擎。您要花多少钱才能预测未来？相当多，如果您可以预测明天的彩票号码。如果您可以预测[…]
Stronger El Niños reduce tropical forest arthropod diversity and function
更强大的厄尔尼诺斯（ElNiños）减少了热带森林节肢动物的多样性和功能吸引力，这是关于节肢动物对气候变化的脆弱性的辩论1,2。气候变化对节肢动物群落的长期影响可能会通过短期天气模式表现出来3。热带的节肢动物是超多样性4,5，并且贡献了许多至关重要的生态系统功能6,7，但研究的研究较少，而在温带区域1,8,9。在气候变化下，热带森林节肢动物及其提供的功能可能容易受到厄尔尼诺现象的加剧10,11,12。在这里，我们对原发性热带森林的数据进行时间序列分析，这些数据揭示了与厄尔尼诺现象有关的节肢动物多样性和功能的长期下降。在美洲，物种损失与厄尔尼诺敏感性相关，并且根据饲料性状和生态专业水平而波动的丰
IEEE Transactions on Fuzzy Systems, Volume 33, Issue 7, July 2025
1) Optimizing Deep Neuro-Fuzzy Network for ECG Medical Big Data Through Integration of Multiscale FeaturesAuthor(s): Xin Wang, Jianhui Lv, Byung-Gyu Kim, Bidare Divakarachari Parameshachari, Keqin Li, Dongsheng Yang, Achyut ShankarPages: 2027 - 20372) FDformer: A Fuzzy Dynamic Transformer-Based高效工业时
No-code data preparation for time series forecasting using Amazon SageMaker Canvas
Amazon Sagemaker Canvas提供简化数据争吵的无代码解决方案，使所有用户都可以访问时间序列，而不管其技术背景如何。在这篇文章中，我们探讨了萨格人的画布和萨格人数据牧马人如何提供无代码数据准备技术，以使所有背景的用户能够在单个界面中自信地准备数据并构建时间序列预测模型。
Forthcoming machine learning and AI seminars: June 2025 edition
该帖子包含计划在2025年6月2日至7月31日之间举行的与AI相关的研讨会的列表。此处详细介绍的所有活动都是免费的，并开放供任何人参加。 2025年6月2日，基础时间序列的基本局限性预测模型：对多模式和严格评估扬声器的需求：丹尼尔[…]
传统的预测方法通常依赖于统计建模，但Chronos将时间序列数据视为要建模的语言，并使用预训练的FM来生成预测，类似于大型语言模型（LLMS）的生成文本。与传统方法相比，计时可帮助您更快地实现准确的预测，从而大大减少开发时间。在这篇文章中，我们分享了Deutsche Bahn如何使用Chronos模型重新定义预测，并提供了一个示例用例，以说明如何使用Chronos开始使用。
Compensation and Employment Trends in Economic Development in North Carolina and Virginia
在过去的几个月中，我们与弗吉尼亚州经济开发商协会和北卡罗来纳州经济发展协会共同发表了两项经济发展薪资调查，这些调查提供了有关薪酬和就业的宝贵信息 - 既是当前实践的快照，又是时间序列的数据趋势。虽然人才…北卡罗来纳州和弗吉尼亚州经济发展的薪酬和就业趋势阅读了更多»北卡罗来纳州和弗吉尼亚州经济发展的后赔偿和就业趋势首次出现在创意经济发展咨询中。
