XiaoMi-AI文件搜索系统
World File Search System时间序列
通过心率时间序列的递归量化分析自动检测有氧阈值
摘要：在强度不断增加的运动过程中，人体会根据实际需求通过不同的机制转换能量。人体的能量利用可分为三个阶段，每个阶段的特点是不同的代谢过程，并由两个阈值点分隔，即有氧阈值 (AerT) 和无氧阈值 (AnT)。这些阈值在确定的运动强度 (工作量) 值时发生，并且会因人而异。它们被视为运动能力的指标，可用于个性化体育活动计划。它们通常通过通气或代谢变量检测，需要昂贵的设备和侵入性测量。最近，人们特别关注 AerT，这是一个特别适用于超重和肥胖人群的参数，可用于确定减肥和增强体质的最佳运动强度。本研究旨在提出一种新程序，使用复发分析 (RQA) 自动识别 AerT，该程序仅依赖心率时间序列，该时间序列是从一群年轻运动员在自行车功率计上进行亚最大增量运动测试 (心肺运动测试, CPET) 期间获得的。我们发现，确定性最小值（根据时期复发量化 (RQE) 方法计算出的 RQA 特征）可识别发生一般代谢转变的时间点。在这些转变中，基于确定性最小值的最大凸度的标准可以检测到第一个代谢阈值。普通最小积回归分析表明，RQA 估计的与 AerT 相对应的耗氧量 VO 2 、心率 (HR) 和工作量的值与 CPET 估计的值高度相关 (r > 0.64)。 HR 和 VO2 的平均百分比差异均小于 2%，工作负荷的平均百分比差异小于 11%。AerT 时 HR 的技术误差小于 8%；AerT 时所有变量的组内相关系数值均适中（≥ 0.66）。因此，该系统是一种仅依靠心率时间序列检测 AerT 的有用方法，一旦针对不同活动进行了验证，将来就可以轻松应用于从便携式心率监测器获取数据的应用中。
外国直接投资对纳米比亚经济增长的影响：时间序列调查
摘要当前的研究调查了外国直接投资对1990年至2020年纳米比亚经济增长的影响，使用ARDL协整方法。结果表明，外国直接投资和贸易开放性的交互变量以及其他宏观经济变量（例如国内投资，政府消费支出，人力资本，经济稳定的代理和投资回报率）造成纳米比亚经济增长的原因。该文章分别证实了FDI的FDI领导的增长和Bhagwati假设，如FDI所示，分别是FDI和FDI和贸易开放性的交互变量。要获得外国直接投资对纳米比亚经济增长的全部好处，政府必须专注于改善身体基础设施和人力资源质量。它还应促进企业家文化的发展，创造稳定的宏观经济环境，并改善生产性投资的条件，以加速经济增长和发展。关键词：经济增长；外国直接投资；贸易开放性；人力资本；
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
使用自适应智能预测时间序列的图形强化学习
摘要 - 强化学习以其能够对顺序任务进行建模和学习潜在数据模式的能力而闻名。深度学习模型已在回归和分类任务中广泛探索和采用。但是，深度学习具有其局限性，例如假设均等和有序数据，以及缺乏在时间序列预测方面合并图形结构的能力。图形性化neu-ral网络（GNN）具有克服这些挑战并捕获时间序列数据中的时间依赖性的能力。在这项研究中，我们提出了一种新的方法，用于使用GNN和增强学习（RL）监测时间序列数据。gnns能够将数据的图形结构明确地纳入模型，从而使它们能够以更自然的方式捕获时间依赖性。这种方法允许在复杂的时间结构中进行更准确的预测，例如医疗保健，交通和天气预报中的预测。我们还使用贝叶斯优化技术来微调我们的GraphRl模型，以进一步提高性能。所提出的框架在时间序列预测和监视中优于基线模型。本研究的贡献包括引入时间序列预测的新型GraphRl框架，以及与传统深度学习模型（例如RNN和LSTMS）相比，GNNS的有效性的证明。总体而言，这项研究证明了GraphRL在动态RL环境中提供准确有效的预测的潜力。
气候变化对死亡率的影响：基于法国时间序列数据的温度效应推断
大多数当代死亡率模型都依赖于推断趋势或过去的事件。但是，气候变化将受到人口动态的影响，尤其是温度对死亡率的影响。 在本文中，我们引入了一种新型方法，以使用多人口死亡率模型对预计死亡率进行影响。 这种方法将随机死亡率模型与气候流行病学模型结合在一起，预测由于每日温度波动而导致的死亡率变化，无论是过度还是不足。 这种方法的重要性在于它通过利用气候模型的温度预测来破坏死亡率预测的能力，并评估这种未指定的危险因素对常规死亡率模型的影响。 我们使用性别分层的法国数据说明了这种提出的死亡率模型，重点是过去的温度和死亡率。 利用各种IPCC场景中的气候模型预测，我们研究了与温度有关的预期寿命的收益和损失以及极端热浪引起的额外死亡率，并通过在预测间隔中评估这一新的风险因素来量化它们。 此外，我们分析了法国大都会的地理差异。但是，气候变化将受到人口动态的影响，尤其是温度对死亡率的影响。在本文中，我们引入了一种新型方法，以使用多人口死亡率模型对预计死亡率进行影响。这种方法将随机死亡率模型与气候流行病学模型结合在一起，预测由于每日温度波动而导致的死亡率变化，无论是过度还是不足。这种方法的重要性在于它通过利用气候模型的温度预测来破坏死亡率预测的能力，并评估这种未指定的危险因素对常规死亡率模型的影响。我们使用性别分层的法国数据说明了这种提出的死亡率模型，重点是过去的温度和死亡率。利用各种IPCC场景中的气候模型预测，我们研究了与温度有关的预期寿命的收益和损失以及极端热浪引起的额外死亡率，并通过在预测间隔中评估这一新的风险因素来量化它们。此外，我们分析了法国大都会的地理差异。
用于时间序列预测的混合卷积回声状态网络
摘要：量子机器学习 (QML) 将量子物理与机器学习技术相结合，以提高算法性能。通过利用量子计算的独特属性（例如叠加和纠缠），QML 旨在解决超出传统计算能力的复杂问题。在这项研究中，我们开发了一种混合模型，即量子卷积回声状态网络，它将 QML 原理融入了储层计算框架。通过评估其在基准时间序列数据集上的性能，我们观察到与传统回声状态网络 (ESN) 相比，均方误差 (MSE) 方面的结果有所改善，并且时间复杂度有所降低。这些发现凸显了 QML 在推进时间序列预测方面的潜力，并强调了融合量子和机器学习方法的好处。
回顾使用机器学习技术的混沌时间序列预测方法：综述
摘要：传统的混沌时间序列预测统计、物理和相关模型存在预测精度低、计算时间长、难以确定神经网络拓扑等问题。十多年来，各种研究人员一直在研究这些问题；然而，这仍然是一个挑战。因此，本综述全面回顾了对混沌时间序列预测的各种方法进行的重要研究，使用机器学习技术，如卷积神经网络 (CNN)、小波神经网络 (WNN)、模糊神经网络 (FNN) 和上述非线性系统中的长短期记忆 (LSTM)。本文还旨在提供各个预测方法的问题，以便更好地理解混沌时间序列预测并获得最新知识。综合综述表总结了与上述问题密切相关的工作。它包括出版年份、研究国家、预测方法、应用、预测参数、绩效衡量标准和该领域收集的数据区域。广泛研究了该领域的未来改进和当前研究。此外，还密切讨论了未来可能的范围和局限性。
用于可解释的多变量时间序列分类的多模态原型学习
多变量时间序列分类问题在生物学和金融等多个领域越来越普遍和复杂。虽然深度学习方法是解决这些问题的有效工具，但它们往往缺乏可解释性。在这项工作中，我们提出了一种用于多变量时间序列分类的新型模块化原型学习框架。在我们框架的第一阶段，编码器独立地从每个变量中提取特征。原型层在生成的特征空间中识别单变量原型。我们框架的下一阶段根据多变量时间序列样本点与这些单变量原型的相似性来表示它们。这会产生一种固有可解释的多变量模式表示，原型学习应用于提取代表性示例，即多变量原型。因此，我们的框架能够明确识别各个变量中的信息模式以及变量之间的关系。我们在具有嵌入模式的模拟数据集以及真实的人类活动识别问题上验证了我们的框架。我们的框架在这些任务上实现了与现有时间序列分类方法相当或更优异的分类性能。在模拟数据集上，我们发现我们的模型返回与嵌入模式一致的解释。此外，在活动识别数据集上学习到的解释与领域知识一致。
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