進(jìn)行準(zhǔn)確和可解釋的時(shí)間序列預(yù)測(cè)是重要的吉拳，但也是具有挑戰(zhàn)性的。雖然深度學(xué)習(xí)方法可以提高預(yù)測(cè)精度浩销，但往往會(huì)犧牲可解釋性痒留。在本文中谴麦，我們提出了一種新的系列顯著性方案，以提高準(zhǔn)確性和...
發(fā)簡(jiǎn)信
IP屬地：上海
-
Two Birds with One Stone: Series Saliency for Accurate and Interpretable Multivariate Time Series... -
Towards Spatio-Temporal Aware Traffic Time Series Forecasting摘要：由于復(fù)雜的時(shí)空動(dòng)態(tài)伸头，不同地點(diǎn)的時(shí)間序列往往具有不同的模式匾效，交通時(shí)間序列預(yù)測(cè)具有挑戰(zhàn)性;對(duì)于相同的時(shí)間序列，模式可能會(huì)隨著時(shí)間而變化恤磷，例如面哼，一天中某些時(shí)段顯示出更強(qiáng)的時(shí)間...
-
Triformer: Triangular, Variable-Specific Attentions for Long Sequence Multivariate Time Series Fo...現(xiàn)實(shí)世界的各種應(yīng)用都依賴于遙遠(yuǎn)未來的信息來進(jìn)行決策野宜，因此需要高效、準(zhǔn)確的長序列多元時(shí)間序列預(yù)測(cè)魔策。雖然最近的基于注意力的預(yù)測(cè)模型顯示出在捕獲長期相關(guān)性方面的強(qiáng)大能力匈子，但它們?nèi)匀?..
-
unsupervised representation learning for time series with temporal neighborhood coding時(shí)間序列往往是復(fù)雜和信息豐富，但標(biāo)簽稀疏闯袒，因此具有挑戰(zhàn)性的建模虎敦。在本文中，我們提出了一個(gè)學(xué)習(xí)非平穩(wěn)時(shí)間序列廣義表示的自監(jiān)督框架政敢。我們的方法稱為時(shí)間鄰域編碼(TNC)其徙，利用信號(hào)...
-
Unsupervised Scalable Representation Learning for Multivariate Time Series時(shí)間序列對(duì)機(jī)器學(xué)習(xí)算法來說是一種具有挑戰(zhàn)性的數(shù)據(jù)類型，因?yàn)樗鼈冊(cè)趯?shí)踐中具有高度可變的長度和稀疏標(biāo)記喷户。在本文中唾那，我們提出了一種學(xué)習(xí)時(shí)間序列通用嵌入的無監(jiān)督方法來解決這一挑戰(zhàn)。與...
-
Time-Series Representation Learning via Temporal and Contextual Contrasting從具有時(shí)間動(dòng)態(tài)的未標(biāo)記時(shí)間序列數(shù)據(jù)中學(xué)習(xí)體面的表示是一項(xiàng)非常具有挑戰(zhàn)性的任務(wù)褪尝。本文提出了一種基于時(shí)間與上下文對(duì)比(TS-TCC)的無監(jiān)督時(shí)間序列表示學(xué)習(xí)框架闹获，用于學(xué)習(xí)無標(biāo)記數(shù)...
-
GPU基本知識(shí)一.CPU和GPU區(qū)別 其中綠色的是計(jì)算單元，橙紅色的是存儲(chǔ)單元河哑，橙黃色的是控制單元避诽。GPU采用了數(shù)量眾多的計(jì)算單元和超長的流水線，但只有非常簡(jiǎn)單的控制邏輯并省去了Cache...
-
GraphSleepNet: Adaptive Spatial-Temporal Graph Convolutional Networks for Sleep Stage Classificat...睡眠階段分類對(duì)睡眠評(píng)估和疾病診斷至關(guān)重要灾馒。然而茎用，如何有效地利用不同睡眠階段的大腦空間特征和過渡信息仍然是一個(gè)挑戰(zhàn)遣总。特別是睬罗，由于對(duì)人類大腦的認(rèn)識(shí)有限，為睡眠階段的分類預(yù)先定義一...
-
learning to remember patterns: pattern matching memory networks for traffic forecasting由于復(fù)雜的路網(wǎng)和道路上各種事件引起的速度突變旭斥，交通預(yù)測(cè)是一個(gè)具有挑戰(zhàn)性的問題容达。一些模型已經(jīng)被提出來解決這一具有挑戰(zhàn)性的問題，重點(diǎn)是學(xué)習(xí)道路的時(shí)空相關(guān)性垂券。在這項(xiàng)工作中花盐，我們提出...
-
TS2Vec: Towards Universal Representation of Time Series本文提出了TS2Vec，一個(gè)學(xué)習(xí)任意語義層次時(shí)間序列表示的通用框架菇爪。與現(xiàn)有的方法不同算芯，TS2Vec在增強(qiáng)的上下文視圖上以分層的方式執(zhí)行對(duì)比學(xué)習(xí)，它支持每個(gè)時(shí)間戳的健壯上下文表...
-
tamp-s2gcnets: coupling time-aware multipersistence knowledge representation with spatio-supra gr...圖神經(jīng)網(wǎng)絡(luò)(gnn)已被證明是一種強(qiáng)大的機(jī)器凳宙，學(xué)習(xí)復(fù)雜依賴在多元時(shí)空過程熙揍。然而，大多數(shù)現(xiàn)有的gnn具有固有的靜態(tài)架構(gòu)氏涩，因此届囚，不能顯式地考慮編碼知識(shí)的時(shí)間依賴性有梆，并限制了它們同...
-
depts: deep expansion learning for periodic time series forecasting長時(shí)間序列周期性預(yù)測(cè)問題 首先，未來的TS信號(hào)產(chǎn)生了對(duì)相鄰歷史觀測(cè)和固有周期性的復(fù)雜依賴 第二個(gè)挑戰(zhàn)在于意系，一個(gè)典型的真實(shí)世界TS的固有周期性通常是由不同振幅和頻率的不同周期組...
-
coherence-based label propagation over time series for accelerated active learning時(shí)間序列數(shù)據(jù)普遍存在泥耀，但缺乏標(biāo)簽被認(rèn)為是時(shí)間序列數(shù)據(jù)廣泛適用性的障礙。同時(shí)蛔添，主動(dòng)學(xué)習(xí)已被成功地應(yīng)用于減少各種任務(wù)中的標(biāo)記努力痰催。因此，本文研究了一個(gè)重要的問題——時(shí)間序列主動(dòng)學(xué)...
-
pyraformer: low-complexity pyramidal attention for long-range time series modeling and forecasting以時(shí)間序列數(shù)據(jù)為基礎(chǔ)迎瞧，對(duì)過去的未來進(jìn)行準(zhǔn)確的預(yù)測(cè)是至關(guān)重要的陨囊，因?yàn)檫@為提前進(jìn)行決策和風(fēng)險(xiǎn)管理打開了大門。在實(shí)踐中夹攒，挑戰(zhàn)是構(gòu)建一個(gè)靈活但簡(jiǎn)潔的模型蜘醋，可以捕獲廣泛的時(shí)間依賴性。在...
-
Evolutionary Clustering of Streaming Trajectories智能手機(jī)和具有定位功能的聯(lián)網(wǎng)車載設(shè)備的廣泛部署咏尝，使得收集移動(dòng)物體的流軌跡數(shù)據(jù)變得越來越可行压语。這些數(shù)據(jù)的連續(xù)聚類可以實(shí)現(xiàn)各種實(shí)時(shí)服務(wù)，如實(shí)時(shí)識(shí)別對(duì)象之間的代表性路徑或共同移動(dòng)趨...
-
A Density-Based Algorithmfor Discovering Clusters in LargeSpatial Databaseswith Noise（KDD-96）摘要聚類算法對(duì)解決空間數(shù)據(jù)中的分類問題很有吸引力编检，然而胎食，大型空間數(shù)據(jù)對(duì)聚類算法產(chǎn)生了下列需求：減少輸入?yún)?shù)所需要的領(lǐng)域知識(shí)，對(duì)不規(guī)則形狀進(jìn)行聚類以及在大數(shù)據(jù)上的高效率聚類允懂。目...
-
INDUCTIVE MATRIX COMPLETION BASED ON GRAPH NEURAL NETWORKS摘要：在本文中厕怜，我們提出了一個(gè)基于歸納圖的矩陣補(bǔ)全(IGMC)模型來解決這個(gè)問題。IGMC純粹基于評(píng)價(jià)矩陣生成的(用戶蕾总、物品)對(duì)周圍的1跳子圖來訓(xùn)練圖神經(jīng)網(wǎng)絡(luò)(GNN)粥航，并將...
-
Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs長期以來，多元時(shí)間序列預(yù)測(cè)在能源消耗和交通預(yù)測(cè)等實(shí)際應(yīng)用中受到了廣泛關(guān)注生百。雖然最近的方法顯示出良好的預(yù)測(cè)能力递雀，但它們有三個(gè)基本的局限性。(i).離散神經(jīng)結(jié)構(gòu):交錯(cuò)單獨(dú)參數(shù)化的...
-
基于鍵值存儲(chǔ)的分布式時(shí)序相似性搜索方法（軟件學(xué)報(bào)）摘 要: 時(shí)序相似性搜索是時(shí)序數(shù)據(jù)分析最基本的操作之一, 具有廣泛的應(yīng)用場(chǎng)景. 針對(duì)現(xiàn)有分布式算法無法應(yīng) 對(duì)維度增長蚀浆、掃描范圍過大和相似性計(jì)算耗時(shí)的問題, 提出一種面向鍵值存...
-
TraSS: Efficient Trajectory Similarity Search Based on Key-Value Data Stores摘要： 近年來缀程，相似性搜索已成為許多軌跡數(shù)據(jù)分析任務(wù)的重要組成部分。隨著軌跡數(shù)量的增加市俊，我們必須在大量軌跡中找到類似的軌跡杨凑，需要一個(gè)可擴(kuò)展和有效的框架。通常摆昧，大量的軌跡數(shù)據(jù)可...