【论文研读】事件与时间序列的关联

最新推荐文章于 2024-11-01 14:43:59 发布
最新推荐文章于 2024-11-01 14:43:59 发布
阅读量2.2k 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： 算法研究 文章标签： 关联分析 时间序列 故障诊断 t-test
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/ljiabin/article/details/40786459
本文分享了KDD2014一篇关于事件诊断中时间序列关联性的论文，并附带详细的PPT讲解。同时介绍了统计学中的t-test方法及其应用。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

最近学习了一篇论文，是KDD 2014的，题目为“Correlating Events with Time Series for Incident Diagnosis“，论文作者是微软研究院的。为了讲解，做了一个PPT，希望能对大家有点帮助。（这个PPT被老板逼得我改了好多遍，花了好多时间）

height="570" width="100%" scrolling="no" src="http://share.youkuaiyun.com/frame/9308" frameborder="0" allowfullscreen="">


不过，”天下没有白做的努力“，期间也查阅收获了不少知识，下面的”t-test“是统计学领域的一个常用的显著性差异检验方法，感觉还是挺有用的。

height="570" width="100%" scrolling="no" src="http://share.youkuaiyun.com/frame/9309" frameborder="0" allowfullscreen="">


【免责声明】如果论文作者或者资源来源相关人觉得侵犯了您的版权，请联系本人，否则认为您对此并无意见，谢谢！

如有人要使用该PPT，请注明来源 http://blog.youkuaiyun.com/ljiabin ，谢谢！

时间序列论文解读《Fuzzy c-Shape: A new algorithm for clustering finite time series waveforms》
qq_28900249的博客
11-15 850
1.介绍 本文在c-shape算法基础上提出了两个新颖的时间序列聚类算法。两个算法受FCM启发，FCS+用基于形状的距离函数取代FCM中的内积。FCS++不仅使用基于距离的函数，而且还用形状提取样本取代FCM聚类核心。 时间序列聚类算法的距离衡量方法有很多种，ED和DTW是最常用的方法。ED通常在两个等长序列中才有效。DTW距离基于时间序列的形状信息评估相似性，但是该方法计算复杂，因为每一对时...
Correlating Events with Time Series for Incident Diagnosis(中文版)
09-22
2014 KDD论文“Correlating Events with Time Series for Incident Diagnosis”的学习与讲解。
时间序列分析论文时间序列分析论文
11-29
可以很好的认识什么是时间序列分析和数据挖掘，对我们有很大帮助。
时间序列小论文(1).pdf
02-02
时间序列小论文，期末作业，理论和实证结合
时间序列 论文及代码.zip
09-10
时间序列课程论文 及MATLAB代码 采用ARMA模型对股票价格建立模型并进行分析与预测
本人搜集的时间序列预测问题的相关论文，主要是硕博士。包括机器学习和深度学习的方法，主要是各类神经网络的应用。
11-23
本人搜集的时间序列预测问题的相关论文，主要是硕博士。包括机器学习和深度学习的方法，主要是各类神经网络的应用。
Correlating Events with Time Series for Incident Diagnosis（KDD2014）
小蚂蚁与大象
06-08 373
随着在线服务的日益普及，事件诊断已成为最大限度地减少服务故障、确保提供高质量服务的关键任务。对于大多数在线服务来说，事件诊断主要是通过分析服务运行时收集的大量遥测数据来进行的。时间序列数据和事件序列数据是遥测数据的两大类。相关分析技术是工程师广泛应用于数据驱动事故诊断的重要工具。尽管它们很重要，但之前很少有研究处理用于事件诊断的两类异构数据之间的相关性:连续时间序列数据和时间事件数据。在本文中，我们提出了一种评估时间序列数据和事件数据之间相关性的方法。我们的方法能够在事件诊断的背景下发现事件-时间序列相关性
ICLR 2024 时间序列（Time Series）论文
suzukiwudi的博客
01-17 5416
ICLR 2024（International Conference on Learning Representations）在5月7日-11日在奥地利维也纳举行。今年，ICLR共收到7262篇投稿，总体录用率在31%。 本文总结了2024 ICLR录用的有关时间序列论文，其中包含了时间序列预测，分类，插补以及气象预测，大模型在时间序列建模等的应用。供大家学习，欢迎大家补充。
SIGMOD 2021 | 时间序列相关论文一览（附原文源码）
机器学习社区
08-31 2075
点击蓝字关注我们#TSer#时间序列学术前沿系列，持续更新中 ⛳️后台回复“讨论”加入讨论组一起交流学习吧 ????ACM SIGMOD，数据管理国际会议（Special Interest Group on Management Of Data.）是由美国计算机协会（ACM）数据管理专业委员会（SIGMOD）发起、在数据库领域具有最高学术地位的国际性学术会议。SIGMOD是数据库三大顶会之首，是三大顶会中唯一一个双盲评审的，其权威性毋庸置疑。会议的目的是在全球范围内为数据库领域的研究者、开发者以及
NeurIPS 2024 | 时间序列（Time Series）论文总结
最新发布
star_nwe的博客
11-01 2131
链接作者关键词：分类，可解释性，泛化性AI大模型作为人工智能领域的重要技术突破，正成为推动各行各业创新和转型的关键力量。抓住AI大模型的风口，掌握AI大模型的知识和技能将变得越来越重要。学习AI大模型是一个系统的过程，需要从基础开始，逐步深入到更高级的技术。这里给大家精心整理了一份全面的AI大模型学习资源，包括：AI大模型全套学习路线图（从入门到实战）、精品AI大模型学习书籍手册、视频教程、实战学习、面试题等，资料免费分享！
ICML 2024 时间序列（Time Series）论文总结【抢先版】
suzukiwudi的博客
05-18 1万+
2024ICML（International Conference on Machine Learning，国际机器学习会议）在2024年7月21日-27日在举行（好像ICLR24现在正在维也纳开）。本文总结了ICML 24有关的相关论文，如有疏漏，欢迎大家补充。同时我也蹭一下Mamba的热度，放了3篇ICML接收的Mamba的文章。：预测，因果，表示学习，分类，异常检测，插补，生成，不确定性量化，基础模型，大模型。
时间序列预测论文合集
fish_your_god的博客
11-09 1612
【论文名称】Shape and Time Distortion Loss for Training Deep Time Series Forecasting Models 【会议】NeurIPS 2019 【模型简称】DILATE: DIstortion Loss with shApe and tImE 【模型级别】Loss 【论文名称】Legendre Memory Units: Continuous-Time Representation in Recurrent Neural Networks 【会
2024丨时间序列预测（Time Series Prediction）论文汇总
热门推荐
qq_41300595的博客
04-19 2万+
提出了STanHop-Net，一种新颖的时间序列预测模型，将基于 Hopfield 的模块与外部存储模块相结合，增强学习能力，对突发事件快速响应，并具有卓越的理论保证和经验性能。一个灵活的多变量概率时间序列预测模型，简化了attentional copulas，在不同的预测任务中具有最先进的精度，同时支持插值和从不规则数据中学习。通过使用 copula 对时间步长的依赖性进行建模，显着提高共形预测置信区间的效率/清晰度，用于多步时间序列预测。时间序列分析、时间序列预测、复值神经网络，轻量级。
时间序列预测入门必读的4篇论文
zenRRan的博客
04-19 1556
时间序列预测是一个发展历史悠久的技术领域，传统的统计学算法（e.g. ARIMA, ETS, GARCH)以及近年来的机器学习（e.g. 广义线性模型，xgboost)、深度学习算法(e.g. LSTM，CNN，Transformer) 都可以用于时间序列预测，不同方法各有长处和短处。传统的统计学习方法需要结合时序领域特有的统计学分析（e.g. 自相关系数ACF、偏相关系...
整理：4篇论文让你了解Diffusion模型在时间序列预测的最新应用
mslion的博客
10-23 2991
Diffusion模型的灵活性使其适合于与其他深度学习技术结合，进一步提升预测的准确性和鲁棒性。以下将介绍四篇应用Diffusion模型于时间序列预测的相关论文，展示这些模型如何为解决实际问题提供新的视角和方法，以及它们在各自领域中的创新应用。
整理：4篇在时序预测中成功应用改进注意力机制的研究论文
mslion的博客
08-26 2588
为进一步提升模型的准确性，FedDA 引入了一种双重注意机制，在构建全局模型时，不仅聚合集群内的模型，还考虑集群间的模型，避免了简单平均局部模型权重的不足。为了进一步增强模型的预测能力，在编码器和解码器之间引入了一个变换注意层，该层用于将编码后的交通特征转换为未来时间步的序列表示，并作为解码器的输入。（1）为了对道路网络图中不同顶点的交通状况的（空间）相关性进行建模，我们提出了一种基于 GCN 的模型，名为 LPGCN，该模型学习过渡矩阵来编码顶点之间的潜在交通模式相关性。
【论文阅读】SST: Multi-Scale Hybrid Mamba-Transformer Experts for Long-Short Range Time Series Forecasting
有时候，想要一块二向箔
10-18 2070
作者在方法部分提出了一个多尺度的混合Mamba-Transformer架构，称为State Space Transformer（SST）。SST模型的核心思想是将时间序列分为长程全局模式和短程局部变化，分别由Mamba模型和Local Window Transformer（LWT）负责处理。为了实现这两者的有效结合，设计了一个长短期路由器来动态调整这两个专家模型的贡献。
论文笔记： Modeling Extreme Events in Time Series Prediction
qq_40206371的博客
01-14 3194
2019 KDD 0 摘要 时间序列预测是数据挖掘中一个深入研究的课题。尽管取得了相当大的改进，但最近基于深度学习的方法忽略了极端事件的存在，这导致将它们应用于实时序列时性能较弱。 极端事件是罕见且随机的，但在许多实际应用中确实发挥了关键作用，例如预测金融危机和自然灾害。 在本文中，我们探讨了提高深度学习建模极端事件以进行时间序列预测的能力。 我们首先发现深度学习方法的弱点源于传统形式的二次损失函数。为了解决这个问题，我们从极值...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值