XiaoMi-AI文件搜索系统
World File Search System时间序列
研究机器学习方法用于预测时间序列时的研究时，在戒严项目中做出管理决策viktor
摘要本文将强调现代世界中预测时间序列的重要性。该主题的相关性是基于组织和个人根据过去数据的分析来预测事件的条件。时间序列预测在IT项目的计划，风险管理和战略决策中起着至关重要的作用，使其成为现代分析和戒严管理的关键组成部分。还将详细讨论用于时间序列预测的机器学习方法的主题。将审查主要方法，包括指数平滑，Arima（自回旋的集成移动平均线）和一种混合方法，该方法结合了不同的方法以提高预测准确性。指数平滑是一种基于先前观察的加权平均值，是一种简单有效的方法。Arima反过来是一种经典的统计方法，将自动估计，集成和移动平均值与模型时间序列结合在一起。时间序列预测中的混合方法是两种或多种方法的组合，在这种情况下，包括一种改进的方法，具有依赖Mape的权重，从而使方法的权重根据其时间序列数据的性能而适应。文献综述涵盖了使用机器学习方法预测时间序列的相关科学作品。不同的方法，将讨论它们的优势和局限性，以提供对该领域现状的完整理解。使用实际数据和提出的方法，将进行预测。本文还将介绍时间序列预测方法的实际实施结果，包括指数平滑，Arima和混合方法。
大规模疫苗接种政策和控制措施对泰国肿块皮肤病病例的影响：贝叶斯结构时间序列分析的见解
方法：分析了2021年3月至9月在泰国每周新的LSD病例的数据。使用贝叶斯结构时间序列（BST）分析来评估在干预前（疫苗接种运动之前）和干预后阶段（疫苗接种运动之后）中新的LSD病例之间的因果关系。评估涉及两种不同的情况，每种情况由估计有效的干预日期确定。在两种情况下，在大规模疫苗接种计划之后都观察到新的LSD病例的持续下降，而其他控制措施，例如动物运动，昆虫控制的限制以及在整个干预前和干预阶段的限制以及主动监视方法的增强。
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。
改进了时间序列的机器学习模型，以预测径向轴环通过转移学习
由于计算能力和相应的算法的增加，在生产技术中使用Ma-Chine学习（ML）在工业时代4.0时代急剧上升[1]。数据可用性在这一点上至关重要，也是成功实施ML应用程序的先决条件。如果数据的数量或质量不足以用于给定问题，则数据增强，综合数据的使用和转移相似数据集的传输可以提供补救措施。在此过程中，转移学习的概念应用于径向 - 轴环滚动（RARR）的领域，并在整个过程中使用外直径的时间序列预测的示例实现。径向 - 轴环滚动是一个热形成过程，用于无缝环的产生。
使用去噪扩散概率模型生成真实的神经生理时间序列
近年来，深度生成模型对工程和科学产生了深远的影响，彻底改变了图像和音频生成等领域，并提高了我们建模科学数据的能力。特别是，去噪扩散概率模型 (DDPM) 已被证明可以准确地将时间序列建模为复杂的高维概率分布。实验和临床神经科学也将受益于这一进步，因为准确建模神经生理时间序列，例如脑电图 (EEG)、皮层电图 (ECoG) 和局部场电位 (LFP) 记录及其合成生成可以实现或改进各种神经科学应用。在这里，我们提出了一种使用 DDPM 建模多通道和密集采样的神经生理记录的方法，该方法可以灵活地应用于不同的记录模式和实验配置。首先，我们表明 DDPM 可以为各种数据集 11 生成逼真的合成数据，包括不同的记录技术（LFP、ECoG、EEG）和物种（大鼠、猕猴、人类）。DDPM 生成的时间序列准确捕获单通道和多通道统计数据，例如频谱和 13 相位幅度耦合，以及细粒度和数据集特定特征，例如尖锐的波纹。14 此外，可以根据实验条件或大脑状态等其他信息生成合成时间序列。我们展示了 DDPM 在几种神经科学特定分析中的实用性和灵活性，例如大脑状态分类和缺失通道的归纳以改进神经解码。总之，DDPM 可以作为神经生理记录的精确生成模型，并且在概率生成合成时间序列以用于神经科学应用方面具有广泛的实用性。20
生理时间序列数据中基于混合的数据增强方法的实证研究
摘要 — 数据增强是深度模型训练过程中帮助泛化的一种常见做法。在生理时间序列分类的背景下，以前的研究主要集中在标签不变的数据增强方法。然而，另一类出现在计算机视觉领域的增强技术（即 Mixup）尚未在时间序列领域得到充分探索。在本研究中，我们系统地回顾了六个生理数据集上的基于混合的增强，包括 mixup、cutmix 和流形 mixup，评估它们在不同感官数据和分类任务中的表现。我们的结果表明，三种基于混合的增强可以持续提高六个数据集的性能。更重要的是，这种改进不依赖于专家知识或广泛的参数调整。最后，我们概述了基于混合的增强方法的独特属性，并强调了在生理时间序列数据中使用基于混合的增强的潜在好处。我们的代码和结果可在 https://github.com/comp-well-org/Mix-Augmentation-for-Physiological-Time-Series-Classification 上找到。索引术语 — 数据增强、混合、生理时间序列
应用于土地利用和土地覆盖的时间序列指标...
摘要。山体滑坡是巴西经常发生的现象，造成了许多社会经济损失和人员伤亡。为了监测山体滑坡，土地利用和土地覆盖 (LULC) 以及山体滑坡清单图对于识别高易发区域至关重要。从这个意义上讲，本研究的主要目的是通过半自动方法，使用遥感时间序列图像的数据挖掘技术，对以山体滑坡检测为重点的 LULC 进行分类。为此，从 Sentinel-2 图像中提取了不同的指数，例如归一化差异植被指数、归一化差异建筑指数 (NDBI) 和土壤调整植被指数。从时间序列中提取了基本、极坐标和分形指标。从航天飞机雷达地形任务数字高程模型中提取了六个地貌特征。然后，使用四种不同方法的随机森林进行分类：单时间、双时间、度量和全部。在每种方法中，NDBI 指数或从中得出的度量都具有最高重要性，而斜率则排在前六个预测因子之中。全部方法显示出最高的总体准确率 (OA) (88.96%)，其次是度量 (87.90%)、双时间 (82.59%) 和单时间 (74.95%)。简而言之，度量方法呈现出最有益的结果，呈现出高 OA 和低水平的犯错和遗漏错误。© 作者。由 SPIE 根据知识共享署名 4.0 国际许可发布。分发或复制本作品的全部或部分内容需要完全注明原始出版物，包括其 DOI。[DOI：10.1117/1.JRS.16.034518]
