XiaoMi-AI文件搜索系统
World File Search System时间序列
心率预测的时间序列建模
摘要 —心血管疾病 (CVD) 是全球死亡的主要原因，需要精确的预测模型来监测心率、血压和心电图等生命体征。传统模型（如 ARIMA 和 Prophet）受到手动参数调整需求以及处理嘈杂、稀疏和高度可变的医疗数据的挑战的限制。本研究调查了先进的深度学习模型，包括 LSTM 和基于变压器的架构，用于预测来自 MIT-BIH 数据库的心率时间序列。结果表明，深度学习模型（尤其是 PatchTST）在多个指标上的表现明显优于传统模型，可以更有效地捕获复杂的模式和依赖关系。这项研究强调了深度学习在增强患者监测和 CVD 管理方面的潜力，表明其具有巨大的临床益处。未来的工作应该将这些发现扩展到更大、更多样化的数据集和现实世界的临床应用，以进一步验证和优化模型性能。索引词 —时间序列；ARIMA；LSTM；TimesNet；PatchTST；iTransformer
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。
增强飞行中的时间序列分析...
概念验证的目标是将这个神经网络集成到 SDS 采集单元 XMA 中。XMA 是一个模块化采集系统，旨在灵活适应仪表工程师的需求。它有助于从各种来源（模拟、CAN、ARINC、以太网、视频）收集和处理飞行数据。XMA 有一个相当于 OBC 的功能，称为 OBP 模块（机载处理）。这个小模块可以添加到 XMA 堆栈中，允许任何用户嵌入自己的算法。该模块基于 SoC（片上系统）Xilinx Zynq 7020，用户可以访问系统部分 (PS) 来运行用 C 编写的自己的算法。OBP 模块可以与其他模块（如 ANA 模块）通信，以访问从传感器获取的信号，或与 ETH 和 CPE 模块通信，以通过以太网和/或 PCM 流输出数据。使用 OBP 的 CPU 和用户空间相对简单。借助 Safran Data Systems 提供的 SDK，我们可以用 C 语言开发和运行任何程序。但是，我们的模型目前使用 Python 在 PC 上进行推理。
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）。
与Python的时间序列预测的机器学习
保修责任/免责声明的限制：出版商和作者就本工作内容的准确性或完整性而没有做出任何陈述或战争，并特别否认所有保证，包括不适合特定目的的适合性保证。不得通过销售或促销材料创建或扩展保修。此处包含的建议和策略可能不适合每种情况。这项工作的出售是为了了解出版商没有从事法律，会计或其他专业服务。如果需要专业的帮助，则应寻求主管专业人士的服务。出版商和作者都不应对以下引起的损害赔偿责任。在本工作中将组织或网站称为引文和/或潜在信息来源的事实并不意味着作者或发布者认可组织或网站可能提供或建议的信息。此外，读者应意识到，这项工作中列出的互联网网站可能已经改变或消失了这项工作和阅读何时。
时间序列数据等的AI分析示例
1 Ⅲ 0.01157 0.82014 1.68E-01 Ⅲ 1 2 Ⅳ 0.04116 0.39599 5.63E-01 Ⅳ 1 3 Ⅳ 0.025315 0.333857 6.41E-01 Ⅳ 1 4 Ⅳ 0.015027 0.345599 6.39E-01 Ⅳ 1 5 Ⅳ 0.000876 0.446202 5.53E-01 Ⅳ 1 6 Ⅳ 5.35E-09 0.340125 6.60E-01 Ⅳ 1 7 Ⅳ 0.014906 0.44914 5.36E-01 Ⅳ 1 8 Ⅲ 0.022364 0.310713 6.67E-01 Ⅳ 0 9 Ⅳ 1.57E-07 0.79117 2.09E-01 Ⅲ 0
空气污染时间序列研究的修订分析和...
健康影响研究所成立于 1980 年，是有关机动车排放对健康影响的独立、公正的信息来源。健康影响研究所支持所有主要污染物的研究，包括受管制污染物（如一氧化碳、臭氧、二氧化氮和颗粒物）和不受管制污染物（如柴油发动机尾气、甲醇和醛类）。迄今为止，健康影响研究所已支持北美和欧洲机构的 220 多个项目，并发表了 140 多份研究报告。研究所的使命是作为有关机动车污染物对健康影响的独立信息来源，研究所还参与特别审查和评估活动。通常，健康影响研究所的一半资金来自美国环境保护署，另一半来自美国 28 家机动车和发动机制造商和营销商。有时，来自其他公共和私人组织的资金会支持特殊项目或为 HEI 研究提供部分资源。无论资金来源如何，HEI 在确定其研究重点和得出结论时都拥有完全的自主权。独立董事会管理 HEI。该研究所的健康研究和审查委员会服务于互补的科学目的，并吸收杰出的科学家作为成员。HEI 资助的研究和评估结果已用于公共和私人决策。
大型时间序列模型的缩放法律
时间序列的预测是所有涉及时间订购观察的所有行动的决策和科学推论的基础。实际上，可以说出过去数据（无论是明确或隐式）的概率预测，可以说是每个人类决定的基础[1-5]。在工业和科学环境中，时间序列的预测传统上涉及对任何一种统计模型（例如Arima，Garch，State Space模型等）进行监督培训；有关评论的定制动力学模型，请参见[6，7]，基于领域特定的知识，或者是最近对基于深度学习的方法进行培训或针对特定培训的特定预期的方法（请参阅特定的预期）（请参阅A a a a a a [8]。虽然这些方法一直构成了时间序列分析的基础，但直到现在，关键的挑战和局限性仍然存在：统计模型通常无法描述和捕获数据基础的潜在过程，并掌握了他们的预测效用；开发专门的问题特定模型需要在人类的时间和资源上进行大量投资；在单个数据集上训练的经过培训的有监督的深度学习方法通常仅在数据丰富的制度中有用，并且对其他问题的推广不佳。
时间序列分析的复发性神经网络模型
摘要时间序列分析是各个领域的关键组成部分，例如财务，经济学，气候科学和医疗保健，在该领域中，准确的预测和模式识别至关重要。这项研究探讨了使用Google股票价格作为案例研究，探讨了复发性神经网络（RNN），尤其是长期记忆（LSTM）网络的应用，特别是短期记忆（LSTM）网络。该研究始于全面的文献综述，强调了RNN体系结构，其理论基础以及时间序列预测中的多样应用的发展和进步。从方法论上讲，本研究概述了所采用的数据预处理技术，包括将数据集缩放和将数据集划分为培训和测试集。RNN模型体系结构经过精心设计，具有多个LSTM层和辍学的正则化，以防止过度拟合并增强模型鲁棒性。使用不同的指标（MAE，MSE，RMSE）对模型进行训练和评估。经验结果证明了RNN模型在捕获时间依赖性并产生准确的股票预测方面的功效。
时间序列基础模型|明金
Liang，Y.，Wen，H.，Nie，Y.，Jiang，Y.，Jin，M.，Song，D.，...＆Wen，Q。 （2024）。 时间序列分析的基础模型：教程和调查。 在KDD'24 中Liang，Y.，Wen，H.，Nie，Y.，Jiang，Y.，Jin，M.，Song，D.，...＆Wen，Q。（2024）。时间序列分析的基础模型：教程和调查。在KDD'24