XiaoMi-AI文件搜索系统
World File Search System时间序列
通过机器学习分析心跳时间序列以检测疾病
心脏是心血管系统的一部分，负责泵送含氧和缺氧血液。它不像节拍器那样运作，通常每次心跳之间的间隔时间会有所不同，称为心率变异性 (HRV)。在患病或衰老过程中，由于自主神经系统功能障碍，HRV 会降低。这项工作的目的是利用机器学习技术表明，这些技术能够直接将心脏的变异性与疾病的程度联系起来。作为实际结果，这些技术可用于仅通过分析其时间序列来预测不同类型的疾病。我们工作中使用的第一种技术是无监督学习算法 (t-随机邻域嵌入)。我们表明，该算法仅通过分析时间序列就能区分疾病的类型和程度，我们表明可以设计一种能够学习这些特征的神经网络架构，将心脏变异性和疾病联系起来。在补充分析中，我们检查心脏变异性与置换熵直接相关，证明一个人越健康，他的心脏时间序列就越随机。我们使用深度学习从混淆矩阵和 ROC 曲线构建分类算法。该算法可以作为通过测量患者的 HRV 来诊断患者的切入点。
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。
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。
数据扩展技术的概述时间序列分析
摘要 - Time系列数据分析在众多领域至关重要，这是由深度学习和机器学习的进步驱动的。本文介绍了时间序列分析中数据的全面概述，并特别关注其在深度学习和机器学习中的应用。我们从一种用于文献选择的系统方法开始，策划了来自突出数据库的757篇文章。随后的部分深入研究了各种数据增强技术，包括插值和高级方法（例如合成数据生成，生成对抗网络（GAN）（GAN）和变异自动编码器（VAES））的传统方法。这些技术解决了时间序列数据固有的复杂性。此外，我们仔细检查了局限性，包括计算成本和过度适合风险。但是，必须注意，我们的分析不会以限制结束。我们还全面分析了所考虑的技术的优势和适用性。这种整体评估使我们能够提供平衡的观点。总而言之，此概述阐明了数据扩大在深度和机器学习环境中的时间序列分析中的作用。它为研究人员和从业人员提供了宝贵的见解，推进了这些领域并为未来的探索绘制途径。
空气污染与健康时间序列研究的修订分析
健康影响研究所成立于 1980 年，是一家独立、公正的机动车排放对健康影响信息来源。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。为了履行其作为机动车污染物对健康影响的独立信息来源的使命，该研究所还参与了特别审查和评估活动。通常，健康影响研究所的资金有一半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，其他公共和私人组织的资金要么支持特殊项目，要么为健康影响研究所的研究提供部分资源。无论资金来源如何，健康影响研究所在确定研究重点和得出结论方面都拥有完全的自主权。独立董事会负责管理 HEI。研究所的健康研究和审查委员会服务于互补的科学目的，并吸纳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。
空气污染与健康时间序列研究的修订分析
健康影响研究所成立于 1980 年，是一家独立、公正的机动车排放对健康影响信息来源。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。为了履行其作为机动车污染物对健康影响的独立信息来源的使命，该研究所还参与了特别审查和评估活动。通常，健康影响研究所的资金有一半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，其他公共和私人组织的资金要么支持特殊项目，要么为健康影响研究所的研究提供部分资源。无论资金来源如何，健康影响研究所在确定研究重点和得出结论方面都拥有完全的自主权。独立董事会负责管理 HEI。研究所的健康研究和审查委员会服务于互补的科学目的，并吸纳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。
对CO2的五个时间序列模型的比较分析...
董事，尼日利亚港口大学bourdillon.omijeh@uniport.edu.ng摘要的摘要准确的温室气体预测（GHG）排放对于解决气候变化和指导有效的缓解策略至关重要。我们开发并测试了高级技术，以改善时间序列的温室气体排放预测，以解决现有模型的局限性。我们的研究探索了各种算法，包括Arima，Sarima，ETS，先知和TBAT，以确定最有效的方法，用于捕获尼日利亚河流Harcourt港特有的温室气体数据中复杂的季节性和非线性模式。我们使用ADF和KPSS测试测试了时间序列的平稳性。使用网格搜索和Akaike信息标准（AIC）优化了其处理趋势和季节性组件的能力和季节性组件的能力。然后，我们将其与Arima，Sarima，Prophet和TBATS模型进行了比较。ETS模型的表现优于其他模型，在观察到的数据的95％置信区间内预测了CO₂值，平均绝对误差（MAE）为14.82，而根平方误差（MSE）为18.91。这项研究标志着温室气体排放预测的重大进步，强调了调整模型在环境科学中的实践价值及其与政策决策的相关性。未来的工作应着重于完善这些模型以实时使用，以确保计算效率和预测精度之间的平衡，以为决策者和环境科学家提供可行的见解。关键字：时间序列，发射，温室气体，预测，指数平滑。简介预期温室气体（GHG）排放对于制定有效减轻气候变化的策略至关重要。2023年，国际能源局（IEA）报告说，全球能源相关的二合作的排放量增长了1.1％，达到创纪录的37.4 gigatonnes（GT）（GT）（IEA，2023年）。这强调了气候缓解当局深入了解当前和未来排放趋势的重要性，以开发和实施有效的对策。本文回顾了用于温室气体排放预测的预测模型和算法，检查了其优势和缺点，如先前的研究中所强调的那样。重点是了解对这些低效率的研究如何指导预测准确性的改善。温室气体（温室气体）是捕获并重新发射红外辐射的大气气体，导致温室效应。尽管这种作用对于维持生命的温度至关重要，但人类活动（例如燃烧化石燃料和森林砍伐）却显着增加了温室气体排放，导致全球变暖和气候变化（英国地质调查，2023年）。二氧化碳（CO₂），主要的温室气体，主要是通过燃烧化石燃料（例如煤炭，石油和天然气）以及工业
因果关系 - 时空图神经网络用于时空时间序列
时空时间序列通常是通过放置在不同位置的监视传感器来收集的，这些传感器通常由于各种故障而包含缺失值，例如机械损坏和内部中断。归纳缺失值对于分析时间序列至关重要。恢复特定的数据点时，大多数现有方法都考虑了与该点相关的所有信息，较小的因果关系。在数据收集期间，不可避免地包括一些未知的混杂因素，例如，时间序列中的背景噪声和构造的传感器网络中的非杂货快捷方式边缘。这些混杂因素可以打开后门路径并在输入和输出之间建立非泡沫相关性。过度探索这些非毒性相关性可能会导致过度拟合。在本文中，我们首先从因果的角度重新审视时空时间序列，并展示如何通过前门调整来阻止混杂因素。基于前门调整的结果，我们引入了一种新颖的C技术性-Ware Sp aTiot e Mpo r al图神经网络（CASPER），其中包含一种新型的基于及时的解码器（PBD）和空间 - 可导致的因果发生（SCA）。PBD可以减少混杂因素的影响，而SCA可以发现嵌入之间的因果关系稀疏。理论分析表明，SCA根据梯度值发现因果关系。我们在三个现实世界数据集上评估Casper，实验结果表明，Casper可以胜过基准，并可以有效地发现因果关系。
将环境时间序列纳入物种分布模型
动机。给定一个字符串S，最小化方案是由三重（k，w，o）定义的算法，该算法从字符串s采样了k -mers（k -long substring）子集的子集。具体来说，它根据s中w连续k -mers的每个窗口中的o来采样最小的k -mer。由于连续的窗口可以采样相同的k -mer，因此采样的K -mers的集合通常比s小得多。这使最小化器成为多种工具，可在生物信息学中减少多个应用程序的内存足迹和处理时间，例如序列比较，组装，压实的de bruijn图形结构和序列索引。更一般地，我们考虑尊重窗口保证的基因带抽样算法：必须从连续k -mers的每个窗口中对至少一个k -mer进行采样。作为采样k -mer的绝对位置在s中的绝对位置唯一识别，我们可以将采样算法的密度定义为不同采样位置的比例。良好的方法具有低密度，通过尊重窗口保证，将限制为1 /w。但是，很难设计具有最佳密度的序列敏捷算法。实际上，通常使用伪随机哈希函数实现O级O，以获得所谓的随机最小化器。此方案非常易于实施，即使以流方式进行计算也非常快，并且易于分析。然而，它的密度几乎距离下限的大窗口几乎有2倍。先前的工作集中在理论和实践中，与随机最小化的密度相比，其密度较低的方法。尽管如此，这些方法仍然很难分析和直观地理解，并且并不总是像随机最小化器那样通用。
时间序列分析和建模以预测航空安全性能指数
摘要。安全绩效指数是一种工具，它具有把握航空安全无形领域的潜力，基于对有意义的航空安全系统属性的量化。该工具本身以航空性能因子的形式开发，已在航空业使用。然而，由于其潜力尚未得到业界充分认可，因此该工具并不成功。本文介绍了对潜力的分析，并概述了利用时间序列分析的新功能，这既可以提高业界对该指数的认可度，也可以激发进一步研究和开发使用其量化系统属性评估整体航空安全绩效的方法的动机。本文不仅讨论了这些特征，还讨论了它们如何嵌入现有的航空安全发展方法中，强调了可能需要克服的缺陷，并介绍了该领域已经开展的科学工作。讨论了各种适当的时间序列方法，并针对所讨论的安全绩效指数问题阐述了它们使用的关键规范。