Interview with Thi Kieu Khanh Ho: Time-series anomaly detection
我们对 AAAI/SIGAI 博士联盟参与者的系列最新采访采访了正在研究时间序列异常检测的 Thi Kieu Khanh Ho。我们了解了有关她的研究的更多信息、是什么激发了她研究人工智能以及她下一步计划做什么。告诉我们一些关于你的博士学位的事情——[…]
Time-Series LLMs, Explained with t0-alpha
t0-alpha 是用于概率时间序列预测的解码器式补丁转换器。原始序列被分成 32 步补丁，嵌入，通过因果时间注意力和群体注意力层进行处理，并解码为未来分位数而不是单点预测。后时间序列法学硕士，用 t0-alpha 解释首先出现在《走向数据科学》上。
Prophetモデルを用いた人流データの時系列予測分析～コロナ禍・万博を経た大阪主要スポットの人流の特徴と来訪者数の将来予測～
■摘要 近年来，通过智能手机等设备获取的“人流数据”，因其能够直观、准确地了解人流活动和停留的实际状态，越来越多地应用于城市规划、旅游推广等广泛领域。了解人流数据的特征对于了解房地产需求和城市结构也很重要。因此，本文利用Location AI Co., Ltd.提供的人流数据，利用Prophet模型进行时间序列分析，掌握大阪市主要景点的游客特征，预测未来的人流趋势。分析表明，大阪主要景点的游客量不仅受到季节变化和天气条件的强烈影响，而且还受到传染病传播和大阪关西世博会等外部事件的影响，并且影响程度根据每个景点的用途和位置特征而存在很大差异。特别是，对大阪站周边地区的分析表明，近年来的大规模开发
Building Time-Series Machine Learning Models with sktime in Python
在本文中，我们将使用 sktime 在 Python 中构建时间序列机器学习模型，并探索其用于预测工作流程的核心数据结构。
Five Ways to Fine-Tune Chronos-2, the Time Series Foundation Model
在本系列的第 1 部分中，我们介绍了 Chronos-2，一个时间序列基础模型。我们亲身体验了一个真实的案例研究，看到了 Chronos-2 可以直接开箱即用地做什么，无需任何培训。但正如我们在第 1 部分末尾指出的那样，零样本并不总是足够的。在案例中[…]微调 Chronos-2 的五种方法后，时间序列基础模型首先出现在走向数据科学上。
7 Steps to Mastering Time Series Analysis with Python
本文分解了 7 个关键步骤，帮助您使用 Python 分析和预测时间序列数据。
Measuring Structure Stability of Econometric Models
时间序列预测最简单最重要的想法计量经济模型的结构稳定性后测量首先出现在走向数据科学上。
IEEE Transactions on Neural Networks and Learning Systems, Volume 37, Issue 6, June 2026
1) FDSRM: A feature-driven style-agnostic Foundation Model for Sketch-Less Facial Image Retrieval作者：Y. Liu, D. Dai, S. Xia, G. WangPages: 2506 - 25202) 基于层间稀疏压缩的深度回波状态网络模型及其在时间序列预测中的应用作者：Y. Wang, M. Cheng, Y. Shang, M. Yuan, H. Zhu 页数: 2521 - 25333) 通过混合卷积和基于变压器的 U-Net 与错误注意机制进行高光谱异常检测作者: X. Wang, P
