XiaoMi-AI文件搜索系统
World File Search System时间序列
储层计算-快速准确软测量建模的时间序列预测方法，三菱重工技术评论第61卷第1期（2024年）
在化学工厂和工业工厂中，“软传感器”是一种用于估算无法直接测量的状态量的技术。它们在控制和监控等方面的应用正在不断进步。深度学习技术的最新发展令人瞩目。虽然它们在软传感器中的应用可以实现高精度估算，但问题在于需要更长的训练时间。为了解决这个问题，我们使用“储层计算”构建了一个软传感器，它可以在极短的时间内完成训练，同时保持较高的估算精度。本报告以预测烟气脱硫设备中碳酸钙浓度的案例研究为例，概述了储层计算及其应用。
tsgassist：互动助理利用LLM和抹布进行时间序列生成建议和基准测试
时间序列生成（TSG）在许多行业中至关重要的是生成反映现实世界特征的合成数据。tsgbench通过提供全面的评估和选择合适的TSG方法的独特见解，从而提高了该领域。然而，将这些进步转化为行业应用，受到专业人员之间的认知差距的阻碍，以及缺乏用于比较和评估的动态平台。为了解决这些问题，我们介绍了TSGassist，这是一种互动的互动式，将TSGBENCH和利用大型语言模型（LLMS）和检索授权的发电机（RAG）的优势整合在一起，以进行TSG建议和基准测试。我们的演示强调了其在（1）增强TSG的有效性，（2）提供特定于行业的建议，以及（3）提供全面的基准测试平台，说明了其潜力通过TSG景观来缓解行业专业人员的导航，并鼓励整个行业更广泛的应用程序。
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。
坦桑尼亚可再生能源消费的宏观经济决定因素：时间序列分析
Abdon Msechu * & Rosemary S. Taylor † 摘要 本研究使用 1990 年至 2020 年的时间序列数据，研究了坦桑尼亚可再生能源消费的宏观经济决定因素。进行了增强型 Dickey-Fuller 和 Zivot Andrews 以及自回归分布滞后边界检验，以评估变量之间的长期关系，从而允许使用误差修正模型。此外，格兰杰因果关系检验检查了变量之间的因果关系。从长远来看，经济增长和贸易开放对可再生能源消费产生积极影响，而二氧化碳排放对可再生能源消费产生负面影响。短期分析显示经济增长系数为负，利率系数为正。格兰杰因果关系检验支持可再生能源消费与经济增长之间的反馈假设。政策影响包括需要持续努力促进经济增长、增加贸易和投资，并提高可再生能源技术的可及性和可负担性，以促进可持续能源消费。
时间序列的大型语言模型：调查
大型语言模型（LLMS）在诸如自然语言过程和计算机视觉之类的领域中有明显的使用。超越文本，图像和图形，LLM为分析时间序列数据，诸如气候，物联网，医疗保健，传统，音频和金融等有益领域的巨大潜力。本调查论文提供了深入的探索和详细的分类法，以利用用于利用LLMS进行时间序列分析的各种方法。我们解决了弥合LLM的原始文本数据训练与时间序列数据的数值性质之间差距的固有挑战，并探讨了将知识从LLMS转移和提炼知识转移到数值时间序列分析的策略。我们详细介绍了各种方法，包括（1）LLM的直接提示，（2）时间序列量化，（3）对齐技术，（4）利用视频模式为桥接机制，以及（5）LLMS的组合。此外，这项调查还提供了各种域中的多模式时间序列和文本数据集的全面概述，并讨论了这个新兴领域的挑战和未来机会。
时间序列建模的条件流匹配
可以通过使用神经网络近似其矢量场来学习系统的不变动态，这是一种称为神经odes的概念（Chen等人。，2018b; Rubanova等。，2019年； Yildiz等。，2019年）。然而，这些模型的损失景观的复杂性随观察到的轨迹的长度而增加，因此它们的训练也无法收敛于中等长的观察范围（Ribeiro等人。，2020年； Metz等。，2022）。早期溶液将长轨迹分为较小的细分市场，并通过约束确保概率模型的连续性（Hedge等人。，2022; Iakovlev等。，2023）。然而，在没有离散近似值的情况下安装长轨迹仍然是一个空旷的问题。
多元时间序列生成建模和预测的变异自动编码器和变压器：涡旋诱导振动的应用
本研究采用数据驱动的方法来研究物理系统振动，重点关注两个主要方面：使用变异自动编码器（VAE）生成物理数据（即数据“相似”与通过现实世界过程获得的使用变压器，以便使用体内稀疏传感器（观察者）中的信息在时间空间中连续预测柔性身体非平稳振动（2D时间序）。 VAE经过从作者进行的实验中收集的涡旋诱导振动（VIV）数据进行训练，然后负责生成类似于实验的合成VIV数据。 然后使用合成数据来训练一个变压器结构，其目标是使用稀疏观测值不断预测时间空间的振动。 针对实际实验测试了变压器（从未见过实际数据），并将其性能与对实际数据训练的相同体系结构进行了比较。 这样做，VAE的能力生成保留其培训数据内在属性的数据（即） 评估身体）。 最终提出了变压器体系结构，LSTM和DNN的预测性能之间的比较。使用变压器，以便使用体内稀疏传感器（观察者）中的信息在时间空间中连续预测柔性身体非平稳振动（2D时间序）。VAE经过从作者进行的实验中收集的涡旋诱导振动（VIV）数据进行训练，然后负责生成类似于实验的合成VIV数据。然后使用合成数据来训练一个变压器结构，其目标是使用稀疏观测值不断预测时间空间的振动。针对实际实验测试了变压器（从未见过实际数据），并将其性能与对实际数据训练的相同体系结构进行了比较。这样做，VAE的能力生成保留其培训数据内在属性的数据（即身体）。最终提出了变压器体系结构，LSTM和DNN的预测性能之间的比较。
使用生成对抗网络生成合成时间序列数据，用于智能构建知识图
摘要。知识图表示三倍的数据，以将连接的数据点相互链接。这种知识表示形式具有多种应用，例如查询和查找信息或进行数据推断。但是，在某些领域，例如医疗记录或智能房屋设备，这些知识图很难大规模公开可用，这是由于隐私性的。因此，有一种方法可以从原始数据中生成合成知识数据以进行大规模使用将是有益的。本文的目的是找出可以在多大程度上为知识图创建有意义的合成时间序列数据。尝试找到一种解决方案，以创建具有与原始数据相似的数据的解决方案，将测试两个现有的生成对抗网络（GAN），即CTGAN和TIMEGAN。实验的结果表明，这两个模型都设法从数据集中捕获了一些重要功能，但是两个模型都没有原始数据中的所有功能。需要进行进一步的研究，以找到满足有意义的合成知识图要求的解决方案。
引用为：Vasenska，I。P.（2024）。深度机器学习对旅游时间序列预测的经济影响，Ekonomicko-Manazerske Spektrum，1
收到：2024年3月10日；以修订的形式收到：2024年5月19日；接受：2024年6月6日；在线提供：2024年6月30日摘要：研究背景：准确地预测入站旅游的流动一直对参与该行业的所有各方构成重大挑战。旅游产品的复杂性质，直接和间接地受到各种风险，灾难和危机的影响，进一步凸显了其对破坏和波动的敏感性。因此，使用当代数据科学方法和人工神经网络（ANN）方法对预测入站旅游流的兴趣越来越大。因此，本文试图通过采用深度机器学习（DML）方法来探索AI预测技术，并比较jupyter笔记本计算环境中的时间序列预测的各种Python库。在2002年至2023年期间，国内和国际旅游的数据保留在保加利亚注册，已利用多个Python图书馆来构建先进的深层神经网络。本文的目的：当前论文的目的是确定哪种时间序列预测模型 - 指数平滑，TBAT，Auto Arima，Theta或LSTM具有更好的准确性估算，并可以通过研究和实践经济目的在未来使用类似的任务来应用于类似的任务。方法：应用方法基于经典科学方法。关于主要发现，他们可以帮助您进行日常运营计划，管理和搬迁微观和宏观水平的旅游资源，以及对与分析和新颖性有关的研究领域的缺点和局限性的见解。发现和值添加：此外，获得的结果重申，可以将ANN应用于准确的预测，尤其是在保加利亚的情况下，在保加利亚的情况下，与旅游业相关的学者，企业和政策制定者尚未应用此类模型。
计时器：生成预训练的变压器是大时间序列模型
深度学习为时间序列分析的进步做出了显着贡献。仍然，深层模型可以在现实世界中数据筛选场景中遇到性能瓶颈，由于当前基准上的小型模型的性能饱和，可以隐藏它们。同时，大型模型通过大规模的预训练在这些情况下表现出了很大的力量。通过大型语言模型的出现，已经取得了持续的进步，这些模型表现出了前所未有的能力，例如少数通用，ization，可伸缩性和任务通用性，但是在小型深层模型中不存在。为了更改从头开始的训练方案特定小型模型的现状，本文旨在早期开发大型时间序列模型（LTSM）。在预训练期间，我们策划了最高10亿个时间点的大规模数据集，将杂项时间序列统一为单序列序列（S3）格式，并开发GPT型体系结构to-Ward ltsms。为了满足各种应用需求，我们将预测，归档和时间序列的异常检测转换为统一的生成任务。这项研究的结果是一个时间的变压器（计时器），它是由下一个令牌预测预测的生成性培训，并适用于具有有希望的Capabil-Ities作为LTSM的各种下游任务。代码和数据集可在以下网址提供：https：//github.com/thuml/large time-series-模型。