XiaoMi-AI文件搜索系统
World File Search System时间序列
美国经济周期与工伤事故的关系：时间序列分析
摘要：本研究分析了美国经济周期与职业事故之间的关系。该实证策略基于 2003 年至 2018 年期间美国 40 个州样本的时间序列和面板数据配置的向量自回归模型。结果证实了 28 个州的经济活动（即人均国内生产总值）与工作场所事故之间的短期双向因果关系。此外，实证证据表明这种关系是不均匀的。随着人们越来越意识到商业周期如何影响跨地区工作相关事故的时间轨迹，本文讨论了政策含义和未来的研究途径。
COVID-19的早期影响对几内亚主要抗原疫苗覆盖率的早期影响：对国家免疫覆盖范围中断的时间序列的分析
严重的急性呼吸综合症冠状病毒2（SARS-COV-2）的出现导致了持续的多年Covid-19-19。由于持续的传播和新型变种的出现，这次爆发仍然是公共卫生的紧急情况，并继续在世界范围内承担重大负担[1]。已经开发和部署了许多安全和有效的疫苗（例如[2,3,4]），并且继续进行更广泛的保护性免疫（即泛氧化病毒/SARBECOVIRUS疫苗）[5,6,7]。随着有效，传播阻断疫苗接种的发育和广泛传播，社区免疫力可以防止局部传播[8，9，10]。但是，疫苗接种个体中Omicron（和BA.2）变体的快速传播表明，通过现有疫苗不可能实现社区免疫力。此外，不平等的疫苗分布和不完整的摄取仍然是一个紧迫的问题，潜在的后果包括除了增加疾病负担外，还包括新型变体的出现[11]。
时间序列分析和Q-DAS中的预测14.0.2.2
现在，在M-QIS中，用户可以使用TSAF自动预测质量值。tsaf从先前的测量结果中学习，并准确地预测了测量结果的未来趋势：自动化，快速和准确。在过程失控之前，请了解未来的不符合性，并及时做出反应。
通过...进行时间序列的自监督对比预训练
时间序列的预训练提出了一个独特的挑战，因为预训练和目标域之间可能存在不匹配，例如时间动态的变化、快速演变的趋势以及长期和短期周期效应，这可能会导致下游性能不佳。虽然领域自适应方法可以缓解这些变化，但大多数方法都需要直接来自目标域的示例，这使得它们对于预训练来说不是最优的。为了应对这一挑战，方法需要适应具有不同时间动态的目标域，并且能够在预训练期间无需看到任何目标示例即可做到这一点。相对于其他模态，在时间序列中，我们期望同一示例的基于时间和基于频率的表示在时频空间中位置靠近。为此，我们假设时频一致性 (TF-C)——将示例的基于时间的邻域嵌入到靠近其基于频率的邻域——对于预训练是可取的。受 TF-C 启发，我们定义了一个可分解的预训练模型，其中自监督信号由时间和频率分量之间的距离提供，每个分量都通过对比估计单独训练。我们在八个数据集上评估了新方法，包括电诊断测试、人体活动识别、机械故障检测和身体状态监测。针对八种最先进方法的实验表明，TF-C 在一对一设置（例如，在 EMG 数据上微调 EEG 预训练模型）中平均比基线高出 15.4%（F1 分数），在具有挑战性的一对多设置（例如，对 EEG 预训练模型进行微调以进行手势识别或机械故障预测）中高出 8.4%（精度），反映了现实世界应用中出现的场景广度。源代码和数据集可在https://github.com/mims-harvard/TFC-pretraining获得。
具有存储的模型的后验时间序列聚合
太阳能和风能等可变可再生能源的增长正在增加气候不确定性对能源系统规划的影响。理想情况下，解决这个问题需要至少跨越几十年的高分辨率时间序列。然而，解决此类数据集上的容量扩展规划模型通常需要太多的计算时间或内存。为了降低计算成本，用户通常使用时间序列聚合将需求和天气时间序列压缩为较少的时间步长。方法通常是先验的，仅使用有关输入时间序列的信息。最近的研究强调了这种方法的局限性，因为减少输入时间序列的统计误差指标通常不会导致更准确的模型输出。此外，许多聚合方案不适用于具有存储的模型，因为它们会扭曲时间顺序。在本文中，我们为具有存储的模型引入了后验时间序列聚合方案。我们的方法适应底层能源系统模型；即使具有相同的时间序列输入，聚合在具有不同技术或拓扑的系统中也可能有所不同。此外，它们保留了时间顺序，因此允许对存储技术进行建模。我们研究了许多方法。我们发现后验方法比先验方法效果更好，主要是通过系统地识别和保存相关的极端事件。我们希望这些工具能让长期需求和天气时间序列在容量扩展规划研究中更易于管理。我们公开提供我们的模型、数据和代码。
中国南京有针对性的反癌药物的可及性的趋势：一个中断的时间序列分析
全球衰老的人口和快速工业化，以及诸如慢性疾病，超级细菌，不健康的生活方式和环境污染等危险因素显着增加了全球癌症的全球发病率。从2006年到2016年（1），癌症患者的数量增加了38％，在世界各地195个国家和地区的死亡人数增加了17.8％，与癌症有关的发病率和死亡率继续增加（2，3）。在发病率率方面，前3个癌症是肺癌，胃癌和结肠癌，而肺癌，肝癌和胃癌在死亡率方面最重要（4）。与癌症治疗相关费用的随之而来的激增给社会和家庭带来了相当大的负担（5，6）。来自国家癌症中心的数据表明，近年来，中国与癌症相关的年度医疗费用超过了2200亿元人民币，自付费用（OOP）费用占家庭总收入的一半以上（7，8）。
TTS-CGAN：用于生物信号数据增强的 Transformer 时间序列条件 GAN
摘要 — 以时间序列形式出现的信号测量是医学机器学习应用中最常见的数据类型之一。此类数据集通常规模较小，收集和注释成本高昂，并且可能涉及隐私问题，这阻碍了我们为生物医学应用训练大型、最先进的深度学习模型的能力。对于时间序列数据，我们可以用来扩展数据集大小的数据增强策略套件受到需要维护信号基本属性的限制。生成对抗网络 (GAN) 可以用作另一种数据增强工具。在本文中，我们提出了 TTS-CGAN，这是一种基于 Transformer 的条件 GAN 模型，可以在现有的多类数据集上进行训练并生成任意长度的特定于类的合成时间序列序列。我们详细阐述了模型架构和设计策略。我们的模型生成的合成序列与真实序列没有区别，可以用来补充或替换相同类型的真实信号，从而实现数据增强的目标。为了评估生成数据的质量，我们修改了小波相干性度量，以便能够比较两组信号之间的相似性，并进行了一个案例研究，其中使用合成数据和真实数据的混合来训练用于序列分类的深度学习模型。结合其他可视化技术和定性评估方法，我们证明 TTS-CGAN 生成的合成数据与真实数据相似，并且我们的模型比其他为时间序列数据生成构建的最先进的 GAN 模型表现更好。TTS-CGAN 源代码：github.com/imics-lab/tts-cgan
量子计算机上的时间序列分析
摘要 — 由于量子电路上的旋转分量，一些基于变分电路的量子神经网络可以被认为等同于经典的傅里叶网络。此外，它们还可用于预测连续函数的傅里叶系数。时间序列数据表示变量随时间的状态。由于一些时间序列数据也可以被视为连续函数，我们可以预期量子机器学习模型能够成功地对时间序列数据执行许多数据分析任务。因此，研究用于时间数据处理的新量子逻辑并分析量子计算机上数据的内在关系非常重要。在本文中，我们使用需要少量量子门的简单量子算子，通过 ARIMA 模型对经典数据预处理和预测进行量子模拟。然后，我们讨论了未来的方向以及可用于量子计算机上时间数据分析的一些工具/算法。
使用机器学习算法的财务时间序列中的跳跃检测
本文的本版本已被接受以供出版，经过同行审查（适用），并受到Springer Nature的AM使用条款的约束（https://www.springernature.com/gp/gp/open-research/policies/accepted-manuscript-terms），但并不是记录和未反映后的记录和任何更正的版本。记录版本可在线获得：http：//dx.doi.org/10.1007/s00500-019-04006-2。
用于生成 Sentinel-2 时间序列的 Google Earth 引擎
• 自 2014 年以来，萨利哈女士一直参与巴基斯坦世界空间周活动。她因此参加了多项可持续发展目标活动。她的领导能力、组织能力和沟通能力帮助她与团队进行了富有成效的合作，并促成了宝贵的项目成果。