XiaoMi-AI文件搜索系统
World File Search System时间序列
使用机器学习技术的混沌时间序列预测方法：综述
摘要：传统的混沌时间序列预测的统计、物理和相关模型存在预测精度低、计算时间长、难以确定神经网络拓扑等问题。十多年来，各种研究人员一直在研究这些问题；然而，这仍然是一个挑战。因此，本综述论文全面回顾了对各种混沌时间序列预测方法进行的重要研究，使用机器学习技术，如卷积神经网络 (CNN)、小波神经网络 (WNN)、模糊神经网络 (FNN) 和上述非线性系统中的长短期记忆 (LSTM)。本文还旨在提供个别预测方法的问题，以便更好地理解混沌时间序列预测并获得最新知识。综合综述表总结了与上述问题密切相关的工作。其中包括出版年份、研究国家、预测方法、应用、预测参数、绩效指标以及该领域收集的数据区域。广泛研究了该领域的未来改进和当前研究。此外，还密切讨论了未来可能的范围和局限性。
金融制裁与经济增长：干预时间序列方法
1- 简介 金融和贸易制裁是全球经济中最常见的限制类型。制裁也是一国强加要求并确保其利益的经济和政治工具（Bazooabandi，2015；Bert，1997；Cheraghali，2013；Denant-Boemont，Masclet & Noussair，2007；Lam，1990；Neuenkirch & Neumeier，2015；Tian & Whalley，2010；Trofimova，2015；Van Furstenberg，1991）。尽管已经实施了一系列制裁，但过去几年金融制裁的增幅是前所未有的。金融制裁加上对石油的依赖性经济结构导致制裁国瞄准经济动脉，使伊朗经济面临压力。自 2006 年以来，对伊朗经济的制裁不断加强，联合国安理会已就伊朗核计划发布了四项针对伊朗的决议。联合国对伊朗的制裁包括冻结涉嫌参与或支持伊朗核计划或弹道导弹生产的公司和个人的资产。这些决议扩大了对伊朗的制裁，尤其是增加了金融制裁，迫使公司和机构遵守对伊朗的制裁（Vesali & Torabi，2010）。
使用基于核的多模不确定性进行时间序列分析
本文提出了一种基于核的信息理论框架，通过利用再生核希尔伯特空间 (RKHS) 中数据投影特征空间的量子物理描述，提供时间序列不确定性的敏感多模态量化。我们特别修改了核均值嵌入，从而产生信号结构的直观物理解释，以产生基于数据的“动态势场”。这产生了一种新的基于能量的公式，该公式利用了量子理论的数学原理，并促进了每个数据样本处信号的多模态物理不确定性表示。我们在本文中证明，与现有的非参数和无监督方法相比，此类不确定性特征可以更好地在线检测时间序列数据中的统计变化点。与 VidTIMIT 说话人识别语料库子集上的离散小波变换特征相比，我们还证明了该框架在聚类时间序列序列方面具有更好的能力。
量子计算的半监督时间序列分类方法
摘要 在本文中，我们开发了使用量子计算解决与时间序列 (TS) 分析相关的两个问题的方法：重构和分类。我们将从训练数据集重构给定 TS 的任务表述为无约束二进制优化 (QUBO) 问题，该问题可以通过量子退火器和门模型量子处理器来解决。我们通过离散化 TS 并将重构转换为集合覆盖问题来实现这一点，从而使我们能够执行一对多的重构方法。使用重构问题的解决方案，我们展示了如何扩展此方法以执行 TS 数据的半监督分类。我们提出的结果表明，我们的方法与当前的半监督和无监督分类技术相比具有竞争力，但使用的数据比传统技术要少。
时间序列分析和建模预测航空安全绩效指数
摘要。安全绩效指数是一种工具，它基于对有意义的航空安全系统属性的量化，具有把握航空安全无形领域的潜力。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特征，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。本文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。
时间序列分析和建模预测航空安全绩效指数
摘要。安全绩效指数是一种工具，它基于对有意义的航空安全系统属性的量化，具有把握航空安全无形领域的潜力。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特征，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。本文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。
提高时间序列域适应性的可传递性和可区分性
无监督的域适应性在将知识从标记的源域转移到未标记的目标域，在时间序列应用中起关键作用。现有的时间序列域适应方法要么忽略频率特征，要么平等地处理时间和频率特征，这使得充分利用这两种功能的优势变得具有挑战性。在本文中，我们深入研究了可传递性和可区分性，这是传递表示学习中的两个至关重要的特性。可以洞悉频率特征在特定域内更具歧视性，而时间特征则在跨域上显示出更好的可传递性。基于发现，我们提出了一个dversarial co-co-co-n n etworks（acon），以通过协作学习方式在三个方面通过协作学习方式来增强可转移的表示：（1）考虑到时代的多个过度差异，提出了多个频率频率特征学习，以增强频率特征的辨别能力； （2）提出了时间域互助学习，以增强源域中时间特征的可区分性，并提高目标域中频率特征的可传递性； （3）域对抗学习是在时间频率特征的相关子空间中进行的，而不是原始特征空间，以进一步增强这两个特征的可传递性。在广泛的时间序列数据集和五个常见范围内进行的广泛实验证明了ACON的最新性能。代码可从https://github.com/mingyangliu1124/acon获得。
LSTM 与Informer 融合预测冠层区域温度
摘 要： 针对传统温度预测方法难以充分捕捉多尺度信息，导致模型预测性能不佳等问题，该研究提出了一种基于 Informer 架构和长短时记忆网络（ long short-term memory, LSTM ）与多源数据融合的冠层区域温度预测模型。在编码层 中，采用稀疏注意力机制提取输入因子的多尺度信息及其与长时序数据之间的耦合关系；在解码层中，利用 LSTM 提取 短期时序依赖，以增强时间序列的连贯性，同时引入改进的反向残差前馈网络（ improved residual feedforward network, IRFFN ）以优化模型结构。首先采用孤立森林法对数据进行异常值清理，并进行了归一化处理；然后使用斯皮尔曼相关 系数法对冠层区域温度进行相关性分析，并选择相关程度较高的环境因子作为模型的输入特征；最终通过网格搜索法对 超参数进行优化，并通过迭代训练实现模型的最优配置。通过与其他 4 种主流算法进行对比分析，提出的 Informer- LSTM 在冠层区域温度预测方面表现出更高的精度，其平均绝对误差（ mean absolute error, MAE ）、均方根误差（ root mean square error, RMSE ）和决定系数（ R 2 ）分别达到了 0.166 、 0.224 ℃和 97.8% ，与基础模型 Informer 相比，冠层区 域温度的预测精度提高了 32.36% 。该模型在时间序列预测方面具有较高的精度，为区域气象温度的中短期精准预测提 供了一种新的技术方法。 关键词： 冠层 ； 温度 ； 非线性时间序列 ； 长短期记忆神经网络 ； Informer doi ： 10.11975/j.issn.1002-6819.202409001 中图分类号： TP18 ； S165 文献标志码： A 文章编号： 1002-6819(2025)-07-0001-11
压缩作为量子库计算中时间序列处理的资源
摘要：众所周知，压缩是计量学、密码学和计算领域许多应用中的量子资源，与多模环境中的纠缠有关。在这项工作中，我们讨论了压缩在时间序列处理的神经形态机器学习中的影响。具体来说，我们考虑了一种基于循环的光子结构用于储层计算，并讨论了压缩在储层中的影响，考虑了具有主动和被动耦合项的哈密顿量。有趣的是，考虑到实验噪声，当从理想模型转向现实模型时，压缩对量子储层计算既有害又有益。我们证明多模压缩增强了其可访问内存，从而提高了几个基准时间任务的性能。这种改进的起源可以追溯到储层对读出噪声的鲁棒性，而压缩可以提高读出噪声的鲁棒性。
螺栓：fused窗口变压器用于fMRI时间序列分析
深度学习模型在分析高维功能MRI（fMRI）数据的分析方面已使性能飞跃。然而，许多以前的方法对各种时间尺度的上下文表示次优敏感。在这里，我们提出了螺栓，这是一种血氧级依赖性变压器模型，用于分析多变量fMRI时间序列。螺栓利用一系列具有新型融合窗户注意机制的变压器编码器。编码是在时间序列中的时间段窗口上执行的，以捕获本地表示。为了暂时整合信息，在每个窗口中的基本令牌和来自相邻窗口的边缘令牌之间计算跨窗口的注意力。逐渐从局部到全球表示，窗口重叠的程度以及在整个级联反应中的数量逐渐增加。最后，一种新型的跨窗口正规化用于整个时间序列的高级分类特征。大规模公共数据集的全面实验证明了螺栓对最新方法的出色性能。此外，解释性分析是为了确定有助于建模决策最大程度贡献的具有里程碑意义的时间点和区域，证实了文献中突出的神经科学发现。