MOIRAI-MOE: Upgrading MOIRAI with Mixture-of-Experts for Enhanced Forecasting
流行的基础时间序列模型刚刚更新！继续阅读 Towards Data Science »
LLM Evaluation, AI Side Projects, User-Friendly Data Tables, and Other October Must-Reads
是否想写出您的第一篇 TDS 文章？我们始终欢迎新作者的投稿。我们似乎正处于日历上的一个甜蜜点，即夏末和假期来临前的最后高峰之间——换句话说，这是一年中学习、修修补补和探索的最佳时机。我们 10 月份阅读次数最多的文章反映了这种专注的精神，涵盖了一系列实践主题。从可行的 AI 项目想法和数据科学收入流到易于理解的时间序列分析和 LLM 指南，这些故事很好地代表了我们作者的专业知识广度以及他们（和我们的读者）兴趣的多样性。如果您还没有阅读它们，现在就是最佳时机？每月亮点您可以在本周末构建的 5 个 AI 项目（使用 Python）如果您还没有撸起袖子，那么很快就会撸起袖子：我们 10 月份阅读次
Ensemble Learning for Anomaly Detection
深入研究隔离森林模型以检测时间序列数据中的异常异常检测是任何组织必备的功能。通过检测异常和离群值，我们不仅可以识别看似可疑（或可能错误）的数据，还可以确定“正常”数据是什么样子。异常检测可以识别数据错误，从而成为强大数据治理系统的重要功能。对于分析而言，异常值在某些情况下（例如欺诈检测和预测性维护）可能是一个关注点。然而，随着数据的增长，异常检测会变得越来越困难。高维数据带有噪声，难以用于分析和洞察。大型数据集也可能存在错误和/或特殊情况。值得庆幸的是，集成学习带来了速度和效率，帮助我们处理高维数据并检测异常。什么是集成学习？集成学习是一种机器学习技术，它结合了多个单独模型的预测，以获得比任何
Neural Networks for Flexible Multivariate Forecasting
一个简单的分步指南，帮助您开始使用神经网络进行时间序列预测继续阅读 Towards Data Science »
IEEE Transactions on Fuzzy Systems, Volume 32, Issue 9, September 2024
1) GIFTWD：基于前景理论的广义直觉模糊三支决策模型作者：戴建华，陈涛，张凯，刘敦，丁伟平页数：4805 - 48192) 多尺度决策信息系统中基于直觉模糊数的前景理论三支决策方法作者：肖义斌，詹建明，张超，吴伟志页数：4820 - 48343) 一种用于时间序列数据多粒度模糊关联分析的新型三支深度学习方法作者：蒋春茂，段颖页数：4835 - 48454) 一种融合模糊偏好关系下三支聚类和遗憾理论的大规模群体决策方法作者：郭伦，詹建明，张超，徐泽水页数： 4846 - 48605) 基于模糊规则的投资组合选择系统使用技术分析作者：Ahmad Zaman Khan、Pankaj Gupta
摘要：目前尚不存在使用浅层机器学习和低密度时间序列图像进行自动训练数据生成和土地覆盖分类的近全球框架。本研究提出了一种使用 Sentinel-2 颗粒的两个日期在七个国际站点绘制九类、六类和五类土地覆盖的方法。该方法使用一系列光谱、纹理和距离决策函数与修改后的辅助层相结合来创建二进制掩码，从中生成一组平衡的训练数据应用于随机森林分类器。对于土地覆盖掩码，对反射率、光谱指数值和欧几里得距离层应用了逐步阈值调整，评估了 62 种组合。计算了全球和区域自适应阈值。使用年度 95 和 5 百分位 NDVI 合成为决策函数提供时间校正，并将这些校正与原始模型进行比较。精度评估发现，两日期土地覆盖和时间校
Assessing the risk of overexploitation to a tarantula species in the pet trade
评估宠物贸易中狼蛛物种过度开发的风险摘要en此链接转到英文部分es此链接转到西班牙语部分zh此链接转到中文部分全球无脊椎动物宠物贸易仍然鲜为人知，在政策和研究中也未得到充分重视。狼蛛是一种贸易量很大的无脊椎动物群体。贸易中的许多个体都是野生捕获的，而且贸易监管往往缺乏，这引发了人们对贸易对当地生态系统和种群影响的担忧。我们解决了当地对圣文森特和格林纳丁斯特有的 Tapinauchenius rasti（加勒比钻石狼蛛）国际贸易的担忧。我们通过使用 COM-B（能力、机会、动机、行为）模型分析该物种的供需情况，评估了与这种广泛贸易物种相关的灭绝风险。该模型将决策分为能力、机会和动机。我们采访
Economic Data Sources: A Compendium [updated]
当一个所谓的数据分析师说了一些奇怪的事情时，你会打电话给谁？圣路易斯联邦储备银行 FRED 经济数据库 数以千计的经济活动时间序列，以易于下载的形式呈现。包含来自 BEA、BLS、人口普查、IMF、OECD 等的一些关键系列。圣路易斯联邦储备银行 ALFRED 数据库。FRED 中许多系列的年份。CBO 数据包括联邦预算 […]
IEEE Transactions on Fuzzy Systems, Volume 32, Issue 8, August 2024
1) 用于解决二元分类问题的直觉模糊随机配置网络作者：Lili Guo, Jianglan Zhu, Chenglong Zhang, Shifei Ding页数：4210 - 42192) 具有低通信资源的随机 MEMS 陀螺仪的固定时间模糊减振作者：Yu Xia, Ke Xiao, Yanang Yao, Zhibo Geng, Zsófia Lendek页数：4220 - 42333) BiFuG2-Spark：具有粒度组协作的双向模糊粒度舱并行属性约简加速器作者：Hengrong Ju, Tingting Shan, Weiping Ding, Keyu Liu, Muhammad J
Evolving Systems, Volume 15, Issue 4, August 2024
1) 通过基于聚类的表示进行时间序列异常检测作者：Elham Enayati、Reza Mortazavi……Mahmoud Moallem页数：1115 - 11362) 自适应单位分割网络 (APUNet)：一种用于解决 PDE 的局部深度学习方法作者：Idriss Barbara、Tawfik Masrour、Mohammed Hadda页数：1137 - 11583) 使用自适应对强化技术增强黑猩猩优化算法以发展用于会计利润预测的深度 LSTM 作者：Chengchen Yang、Tong Wu、Lingzhuo Zeng页数：1159 - 11784) 用于支持普适边缘应用的同质迁移
Soft Computing. Volume 28, Issue 11-12, June 2024
1) 具有任意系数的梯形全模糊西尔维斯特矩阵方程作者：Ahmed Abdelaziz Elsayed、Nazihah AhmadGhassan Malkawi页数：6953 - 69672) 增强机器视觉：一种新颖的创新技术对视频问答的影响作者：Songjian Dan、Wei Feng页数：6969 - 69823) 使用多目标鲸鱼优化算法和 NSGA-II 集成资源供应管理和施工项目调度作者：Mahyar Ghoroqi、Parviz Ghoddousi……Saeed Talebi页数：6983 - 70014) 某些网络中的主导着色作者：S. Poonkuzhali、R. Jayagop
研究人员正在努力应对异构时间序列数据中因果关系发现的挑战，其中单一因果模型无法捕捉到不同的因果机制。基于结构因果模型、条件独立性检验和 Granger 因果关系的传统时间序列数据因果发现方法通常假设整个数据集的因果结构统一。然而，现实世界的场景 UCSD 研究人员提出了一种基于通用变分推理的框架 (MCD) 来推断潜在的因果模型以及每个样本的混合概率 这篇文章首先出现在 AI Quantum Intelligence 上。
生成式人工智能 + 时间序列预测？人工智能代理工程师。代理架构？什么是 Arena Learning？AlphaFold3 可视化。GraphRAG + Neo4j。代理互联网。法学硕士的 Memory3。
A Powerful EDA Tool: Group-By Aggregation
照片由 Mourizal Zativa 在 Unsplash 上拍摄了解如何使用分组聚合从数据中发现见解探索性数据分析 (EDA) 是数据分析师的核心能力。每天，数据分析师的任务都是发现“看不见的”东西，或者从浩瀚的数据中提取有用的见解。在这方面，我想分享一种我认为有助于从数据中提取相关见解的技术：分组聚合。为此，本文的其余部分将安排如下：Pandas 中分组聚合的解释数据集：大都会州际交通大都会交通 EDA分组聚合分组聚合是一种数据处理技术，包含两个步骤。首先，我们根据特定列的值对数据进行分组。其次，我们在分组数据上执行一些聚合操作（例如，求和、平均值、中位数、唯一计数）。当我们的数据很细粒
状态空间模型 (SSM) 是 Transformers 的替代品吗？Mamba-2。Chimera SSM 时间序列。Audio Mamba。Sonic SSM Gen Voice。mamba.np。OSS Qwen-2 SOTA ML。OSS LeRobot SOTA 机器人。思想缓冲区。
用于时间序列的扩散、FM 和预训练 AI 模型。TinyTimeMixers。MambaFormer。TimesFM。Frankenstein Prompts。BabyAGI。KANs 解释。GPT 研究员。xLSTM。思想可视化。
Stock market signals with Chat GPT 4
这是我使用 Chat GPT 4 进行定量分析的第三个用例。另外两个用例，关于欧元区通胀和使用宏观数据的时间序列回归，可以在这里和这里找到。我进入这个行业时，担任 Variant Perception 的研究主管，这是一家专门从事量化交易模型、资产配置工具和交易信号分析等研究机构。在我的分析中，一个反复出现的工具是二元信号，用于识别资产类别、股票或经济数据系列的转折点。这个想法很简单。首先，创建一个二元指标，如果数据中的某个阈值向上或向下突破，则取 1，否则取 0。其次，调查这种信号发出后会发生什么，无论是在原始数据集中还是映射到单独的数据集。您可以将跨数据集的信号组合起来以获得一系列滚动信号
December 23 - Chat GPT 4 in action, on Eurozone inflation
今年的圣诞倒数日历项目主要在 ChatGPT 3.5 和 DALL E2 上完成。我最近才获得 GPT 4.0 的使用权，它的功能强大无比，尤其是它能够响应实时事件（它是在当前数据上训练的），从而创建更详细、更逼真的图片，并且正如我将在此处展示的那样，能够分析数据。因此，我想我将围绕这个条目展开讨论，并展示一个我使用 GPT 4.0 进行的一些实证和统计经济分析的示例。第一步是创建我自己的 GPT，针对以 excel 或 CSV 格式上传的数据进行时间序列分析。这并没有花很长时间，尽管我不清楚我的小 GPT 是否比通用的“数据分析”GPT 更好，但随着时间的推移，理论上它应该会变得更擅长我感兴
