XiaoMi-AI文件搜索系统
World File Search System时间序列
gizaml：使用LLM进行自动时间序列预测的基于协作元学习的框架
机器学习算法在依靠时间序列数据（例如能量预测，环境监控和电信等时间序列数据）方面表现出显着的成功。随着时间序列数据的越来越多的流行率，有一个越来越多的授权可以用于预测任务的准确和广义模型。培训这种模型是一个高度迭代的过程，需要对时间序列数据和机器学习算法有深刻的了解。我们演示了Gizaml，这是一种基于元学习的框架，专门针对自动化算法选择和用于预测时间序列的超参数调整。gizaml主要包括两个关键阶段：数据和特征工程阶段，以及建议和优化阶段。在数据和功能工程阶段中，GizAML对数据集进行重新启动，以获取均匀的时间间隔，处理离群值并自动提取各种与时间序列相关的功能。在推荐和优化阶段，Gizaml采用了一种元模型，该元模型提出了机器学习管道配置的实例化，这些配置预计将在新型数据集中表现出很强的表现。这些配置温暖启动了采用有效的贝叶斯选择方法的优化阶段。元模型采用大型语言模型（LLM），用于生成数据集表示的嵌入代表向量。Gizaml使用9种不同的回归机学习算法和每种不同的超参数配置。此外，Gizaml利用新的运行来不断提高对未来时间序列预测任务的元模型建议的性能和鲁棒性。我们的演示方案表明，Gizaml的表现优于当前最新的开源自动化机器学习框架。
利用时间序列和回归分析来预测菲律宾的年度表面温度变化：一种经验方法
气候变化和全球变暖被认为是当时最令人震惊，最令人震惊的环境和气象问题，而这两个对菲律宾国家有一些重要的影响。作为一个位于太平洋的群岛国家，由于其地理位置和社会经济条件，因此特别要使这个国家被视为最脆弱的国家之一。这些现象是通过增加地球大气中温室气体的排放而引起的，这主要是由于人类活动（例如燃烧化石燃料，用于能源产生，森林砍伐，工业过程和城市化）（IPCC，2023年）。这些活动不断恶化世界上气候变化和全球变暖的重大后果，尤其是在菲律宾。此外，菲律宾气候变化和全球变暖的影响是多种多样和严重的，因为人们已经观察到了全国各地的温度升高，并经历了导致一些热浪并增加热应激案例的人，从而影响了人类健康和农业生产力。
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。
神经影像学时间序列中的箭头 - 标识脑功能的因果触发器
图4箭头识别运动任务中的时空定位因果效应。（a）在运动任务范式中，因果效应（τ，顶部），活动（中间）和连通性（底部）的度量。范式由运动时期（左右手和脚，舌头）组成，被休息块隔开。（b）左半球大脑区域的因果效应的详细视图，显示了面板（a）（舌运动）突出显示的间隔中最强的AOT波动。正值表明该区域充当因果效应的下水道，而负值表明该区域是因果关系的来源。（c）面板（b）中四个大脑区域的可视化以及当受试者开始移动舌头时招募的假定因果途径。VIS24和PFC13之间的虚线表示，这两个区域之间的直接信息流不能仅从分析的四个区域中推断出来，并且可能涉及中间体。
根据时间序列fMRI数据计算出的阿尔茨海默氏病的因果功能连通性
已知大脑区域之间的功能连通性在阿尔茨海默氏病中发生改变，并有望成为早期诊断的生物标志物。功能连接性的几种方法获得了代表大脑区域之间随机关联（相关）的非指导网络。但是，关联不一定意味着因果关系。相比之下，因果功能连通性（CFC）更有信息，提供了代表大脑区域之间因果关系的有向网络。在本文中，我们通过静止状态功能磁共振成像（RS-FMRI）记录了来自三个临床组的受试者的静止功能磁共振成像（RS-FMRI）的因果功能连接组：认知正常，轻度认知障碍和阿尔茨海默氏病。我们应用了最近开发的时间感知PC（TPC）算法来推断整个大脑的因果功能连接组。TPC在时间序列设置中基于有向图形建模的全脑CFC的模型估计。我们将TPC的CFC结果与文献中其他相关方法的结果进行了比较。然后，我们使用了TPC的CFC结果，并基于Welch的t -test t -test t -Values获得的Alzheimer和认知正常组之间的CFC边缘强度的差异进行了探索性分析。因此，发现大脑区域与临床/医疗机构的研究人员发表的有关受阿尔茨海默氏病影响的大脑区域的文献一致。
电网侧光伏分解的贝叶斯结构时间序列：预印本
摘要 —分布式光伏 (PV) 发电通常发生在“电表后面”：电网运营商只能观察到净负荷，即总负荷和分布式光伏发电的总和。这种可观测性的缺乏对系统在总体层面和分布层面的运行都构成了挑战。缺乏对总负荷和光伏发电的实时或近期分解估计将导致能源生产和监管储备的过度调度、可靠性约束违规、控制器设备磨损以及系统的潜在连锁故障。在本文中，我们建议使用贝叶斯结构时间序列 (BSTS) 模型和本地太阳辐照度测量来分解下游测量站点的总光伏发电和总负荷信号。BSTS 是一种高度表达的模型类，它将经典的时间序列模型与强大的贝叶斯状态空间估计框架相结合。分解是概率完成的，这会自动量化估计的光伏发电和总负荷消耗的不确定性。根据实时数据可用性，它可用于分解客户站点的光伏和总负载，或可用于馈线级别。在本文中，我们专注于解决馈线级别的问题。我们使用国家太阳辐射数据库 (NSRDB) 来估计局部辐照度，比较了 BSTS 模型以及 Pecan Street AMI 数据集上一些最先进的方法的性能。
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）。
在预测美国从中国的进口时考虑季节性波动，使用人工神经网络平衡时间序列
摘要。本文的目的是提出一种特殊的方法，用于在使用人工神经网络平衡时间序列时考虑季节性波动，该方法以中华人民共和国 (PRC) 向美国 (US) 进口为例。预测外贸量的困难通常是由许多传统预测模型的局限性造成的。为了改进预测，有必要提出一种将计量经济模型和人工智能模型相结合的方法。进行分析的数据可在世界银行网站等处找到。将使用有关美国从中国进口的信息。每个预测都有一定的概率来实现。尽管在实验之前似乎没有理由纳入分类变量来反映美国从中国进口的季节性波动，但这种假设并不正确。以月度价值测量形式出现的附加变量为平衡时间序列带来了更大的秩序和准确性。关键词：预测模型、人工神经网络、时间序列、发展
绘制第一波新冠肺炎疫情之前和期间的全球疫苗销售趋势：横断面时间序列分析
摘要 背景 虽然 COVID-19 大流行可能严重阻碍了全球常规免疫服务的提供，但我们几乎没有关于大流行对疫苗供应链影响的数据。 方法 我们使用时间序列分析来研究 2014 年 8 月至 2020 年 8 月期间 IQVIA MIDAS 数据库对 84 个国家/地区共 34 种疫苗和联合疫苗的全球疫苗销售趋势。我们将国家分为三个收入水平类别，并使用自回归综合移动平均模型模拟了 2020 年 4 月至 8 月与 2019 年 4 月至 8 月疫苗销售的变化。 结果 2020 年 3 月，全球疫苗销量从每 100,000 人 1211.1 支下降到 2020 年 4 月的每 100,000 人 806.2 支，总体下降了 33.4%；然而，疫苗销售中断在各个经济体的恢复情况不成比例。 2020 年 4 月至 2020 年 8 月期间，我们发现与 2019 年同期相比，高收入国家 (HIC) 的疫苗销量显著下降了 20.6%（p<0.001），而中低收入国家 (LMIC) 的疫苗销量则显著增长了 10.7%（p<0.001）。从 2014 年 8 月到 2020 年 8 月，高收入国家每月的人均疫苗销量平均至少是中低收入国家的四倍，是中上收入国家的近三倍。结论我们的研究揭示了 COVID-19 对不同经济体疫苗销售的不同影响，同时强调了在第一波 COVID-19 大流行之前和期间人均疫苗销量存在巨大的持续差异。需要采取行动确保公平分配疫苗。
时间序列分类和深层模型Hassan Tanveer 1*，Namoos Zahra 2，Nimra Batool 3 1 DePaul University，芝加哥，
抽象时间序列异常检测曾经以一种基本分析方法存在。早期序列异常检测技术主要是统计和机器学习。对于深度神经网络的实际过程，实验者不断地探讨了深度神经网络在异常检测任务中的结果，比传统方法更有帮助。传统模型使用指挥机器学习算法。在拟议的应用程序中，组织和注释如此大量的数据集是具有挑战性的，耗时的或太昂贵的，并且需要从该领域的专业人员学习专业化。因此，对于研究人员和从业者来说，异常检测已成为一个重大挑战。异常检测是指检测异常数据实例的过程。在此分析中，我们为时间序列数据中的异常检测提出了一个无监督和可扩展的框架。所提出的技术是在各种自动编码器上建立的。一种深厚的，富有生产力的模型，将各种信念与深度学习结合在一起。此外，还为时间序列数据执行了实时分析。我们使用LSTM网络来处理，进行预测和基于时间序列数据进行分类。关键字：时间序列，深度学习，神经网络，异常检测，LSTM，深神经网络，无监督学习