XiaoMi-AI文件搜索系统
World File Search System时间序列
通过跳跃扩散驱动的神经SDE的多变量时间序列建模
在数据科学和机器学习的不断发展的景观中，时间序列建模的领域已成为一个重要且挑战性的研究领域。时间序列数据及其独特的时间依赖性和顺序模式，在金融，医疗保健和气候科学等各个领域中找到了应用[1,2,3]。时间序列的准确建模对于创建强大的模型和理解复杂系统至关重要。建模时间序列的一种方法是通过生成模型[4]，该模型在异常检测[5]和数据增强[6]中具有实际应用。在本文中，我们提出了一种基于时间序列生成和建模的神经SDE的新颖方法。尤其是，我们旨在创建一个可以利用默顿模型[3]作为跳跃框架的模型，该模型可以考虑实际市场的跳跃。归一化流是具有易生化密度估计的生成模型家族。主要思想是通过组成几个函数f i将初始复杂的数据分散分散转换为一个简单的想法。有一些
练习7时间序列：趋势和休息
练习15.2工业生产指数（IP T）是一个每月的时间序列，可衡量给定月份中生产的工业商品的数量。此问题使用该索引上的数据。所有回归均在1986年：M1至2017年的样本期间估计：M12（即，1986年1月至2017年12月）。
因果关系 - 时空图神经网络用于时空时间序列
时空时间序列通常是通过放置在不同位置的监视传感器来收集的，这些传感器通常由于各种故障而包含缺失值，例如机械损坏和内部中断。归纳缺失值对于分析时间序列至关重要。恢复特定的数据点时，大多数现有方法都考虑了与该点相关的所有信息，较小的因果关系。在数据收集期间，不可避免地包括一些未知的混杂因素，例如，时间序列中的背景噪声和构造的传感器网络中的非杂货快捷方式边缘。这些混杂因素可以打开后门路径并在输入和输出之间建立非泡沫相关性。过度探索这些非毒性相关性可能会导致过度拟合。在本文中，我们首先从因果的角度重新审视时空时间序列，并展示如何通过前门调整来阻止混杂因素。基于前门调整的结果，我们引入了一种新颖的C技术性-Ware Sp aTiot e Mpo r al图神经网络（CASPER），其中包含一种新型的基于及时的解码器（PBD）和空间 - 可导致的因果发生（SCA）。PBD可以减少混杂因素的影响，而SCA可以发现嵌入之间的因果关系稀疏。理论分析表明，SCA根据梯度值发现因果关系。我们在三个现实世界数据集上评估Casper，实验结果表明，Casper可以胜过基准，并可以有效地发现因果关系。
烟花算法训练的人工神经网络（FWANN）的开发和绩效分析：财务时间序列序列序列的案例研究
财务时间序列是高度非线性的，它们的运动是不可预测的。人工神经网络（ANN）在财务预测中有足够的应用。ANN模型的性能主要取决于其培训。尽管基于梯度下降的方法对于ANN训练很常见，但它们有几个局限性。烟花算法（FWA）是一种最近开发的元疗法，它受到夜间烟花爆炸现象的启发，它提出了诸如更快的融合，并行性和找到全球最佳优势之类的特征。本章打算开发一个由FWA和ANN（FWANN）组成的混合模型，用于预测收盘价系列，交换系列和原油价格时间序列。将FWANN的适当性与基于PSO的ANN，GA-基于ANN，基于DE的ANN和MLP模型等模型进行了比较。四个性能指标，MAPE，NMSE，ARV和R2被视为评估的晴雨表。进行性能分析以显示FWANN的适用性和优越性。
机器学习进步时间序列预测
但是，什么是机器学习？当然，这是一个流行语，在过去的几年中，它在广受欢迎。文献中有无数的定义，最有良好的定义是来自人工智能先驱阿瑟·塞缪尔（Arthur L. Samuel），后者将ML定义为“使计算机的学习领域，使计算机能够学习而无需明确编程。” 2我们更喜欢一个不太模糊的定义，其中ML是自动化计算机算法与有力的统计方法的组合，可以在丰富的数据集中学习（发现）HID-DEN模式。从这个意义上讲，统计学习理论为ML的统计基础提供了统计基础。因此，本文是关于统计学习的发展，而不是ML，因为我们将重点关注统计模型。ML方法可以分为三个主要群体：受监督，无监督和强化学习。本调查是关于监督学习的，该任务是学习将输入（解释变量）映射到输出（因变量）的函数，该函数基于组织为输入输出对的数据。回归模型属于此类。另一方面，无监督的学习是一类ML方法，它在没有预先存在的标签的数据集中发现未发现的模式，例如群集分析或数据压缩算法。最后，在强化学习中，代理商学会在环境中执行某些行动，从而使其获得最大的奖励。它通过探索和剥削知识来做到这一点，它通过重复提高奖励的重复试验而学习。这是几个人工智能游戏玩家（例如Alfago）以及顺序治疗（例如强盗问题）的核心。
表示不规则采样的时间序列，具有分类和转移学习的生成语言模型
摘要。人类活动识别在包括医疗保健和智能家居在内的各个领域都起着至关重要的作用。随着配备环境传感器的智能房屋的越来越多，人们对利用人工智能技术的兴趣越来越兴趣，以理解和认识到这些环境中的人类活动。但是，环境传感器收集的数据的规则和嘈杂性质提出了独特的挑战。为了应对这些挑战，我们建议使用接受传感器激活序列训练的预训练的嵌入式嵌入，通常是基于类似于GPT的架构的算法，以证明在智能家庭中日常生活的分类表现。此外，我们利用从一个环境中获得的知识来增强另一个环境的活动识别，研究转移学习的概念。结果表明，GPT变压器解码器的方法在多个数据集的精度和平衡精度方面优于其他算法。这些发现还突出了转移学习的潜力，从干净且大的数据集中，GPT跨解码器预先训练的嵌入在各种情况下显示出令人鼓舞的结果。
使用时间序列遥感来识别和跟踪大尺度的单个鸟巢
。cc-by 4.0国际许可（未经Peer Review尚未获得认证）是作者/资助者，他已授予Biorxiv的许可证，以永久显示预印本。它是制作
环境时间序列建模的研究助理
研究助理将与澳大利亚研究委员会卓越的土著和环境历史与期货卓越中心（CIEHF.AU）合作，分析古环境的时间序列以及环境，生态和考古学的现代代理，尤其着重于过去1000年中澳大利亚发生的转移环境和人类趋势。研究助理将应用现有的代码，并开发新方法来分析源自湖，泻湖，河流和湿地核心的复杂数据，测量过时的植被组成，火灾状态和气候波动的各个方面。研究助理还将开发模拟模型，以评估各种环境限制下不同代理的行为，以帮助解释时间序列模型的输出。
金融制裁与经济增长：干预时间序列方法
1- 简介 金融和贸易制裁是全球经济中最常见的限制类型。制裁也是一国强加要求并确保其利益的经济和政治工具（Bazooabandi，2015；Bert，1997；Cheraghali，2013；Denant-Boemont，Masclet & Noussair，2007；Lam，1990；Neuenkirch & Neumeier，2015；Tian & Whalley，2010；Trofimova，2015；Van Furstenberg，1991）。尽管已经实施了一系列制裁，但过去几年金融制裁的增幅是前所未有的。金融制裁加上对石油的依赖性经济结构导致制裁国瞄准经济动脉，使伊朗经济面临压力。自 2006 年以来，对伊朗经济的制裁不断加强，联合国安理会已就伊朗核计划发布了四项针对伊朗的决议。联合国对伊朗的制裁包括冻结涉嫌参与或支持伊朗核计划或弹道导弹生产的公司和个人的资产。这些决议扩大了对伊朗的制裁，尤其是增加了金融制裁，迫使公司和机构遵守对伊朗的制裁（Vesali & Torabi，2010）。
RTPCR：QPCR数据分析 DACC：气候变化的检测和归因分析 接吻：保持简单的物种迁移模型 SGOF：多个假设测试 创建R对象的紧凑型哈希摘要 MLMTS：多元时间序列的机器学习算法 分析依赖量表的生物多样性变化与MOBR 机器：机器学习模型和工具 nmf：非负矩阵分解（NMF）的算法和框架 软件包'mobr' ddml：双/辩护机器学习 胚胎：通过期望最大化的稳健贝叶斯变量选择 'Google gemini'api 的接口 Jackstraw：无监督学习的统计推断 ODT：最佳决策树算法 具有组成反应的多元随机森林 软件包'joinet' rgbif.pdf OpenCV.pdf 软件包'mapme.biodoverity' MLR3DATA：“ MLR3'的机器学习数据集的收集 生存：使用机器学习的灵活生存分析工具 bio3d.pdf
描述各种方法用于实时PCR（定量PCR或QPCR）数据的统计分析和图形表示。'rtpcr'负责基于多达两个参考基因的实时PCR数据的扩增效率计算，统计分析和图形表示。通过考虑放大效率值的考虑，“ RTPCR”是由Ganger等人描述的一般计算方法开发的。（2017）和Taylor等。（2019），涵盖了livak和pfaffl方法。基于实验条件，“ RTPCR”包装的功能使用t检验（用于具有两级因子的实验），方差分析（ANOVA），协方差分析（ANCOVA）分析（ANCOVA）或重复测量数据分析以计算到calcu- colcu- flta delta delta delta delta delta ct方法（delta cta）或dela dela dela dela（re）（re）（re）。该功能进一步提供了平均值的标准误差和置信度间，采用统计平均比较并具有重要意义。为了促进功能应用，使用了不同的数据集作为示例，并解释了输出。“ RT- PCR”软件包还使用各种控制参数提供条形图。“ rtpcr”包装是用户友好且易于使用的，并提供了用于分析实时PCR数据的适用资源。