基于Transformer的时间序列插补技术研究

本文旨在解决多元时间序列数据中的缺失值插补问题,提升时间序列数据插补的效果。时间序列数据是反映随时间变化的随机变量的结果,在物联网应用中得到广泛应用。然而,数据缺失问题是时间序列处理中的一个重要挑战,因为大多数下游算法需要完整的数据进行训练。本文通过总结以往时间序列建模过程中采用的插补方法,改进了一种基于Transformer模型的插补模型,并在多个数据集中验证了本文中插补模型的效果。通过本文的研究,可提高时间序列预测的准确性和实用性,对于物联网应用和其他领域中的时间序列分析具有一定的实用价值。

时间序列异常检测综述

海量的时间序列数据给异常检测领域带来了新的契机与挑战,尤其是多元时间序列的异常检测正在成为新的研究热点,然而,这一方面的研究目前仍处于初步阶段。通过整理国内外相关文献,从时间序列特征、检测方法、评价指标三个方面阐述了研究进展,并着重分析了基于深度学习的时间上下文建模主流算法的优缺点及其研究趋势。

多元时间序列小波相关分析与预测建模研究

针对小波相关分析方法在多元时间序列应用的局限性和多元时间序列预测建模中存在的复杂相关性,提出了一种基于小波相关分析的多元时间序列预测建模方法。该方法首先定义平滑后的小波相关系数矩阵及逐步回归向前思想设计了利用小波相关的降维方法,保证模型预测精度的同时分析了变量之间存在的冗余性,对变量进行了有效的选择;其次构建只与时滞因子有关的互相关系数矩阵,定量描述了降维后自变量对因变量的时滞相关关系,并利用定量时滞因子建立了预测模型。最后,分别对Housing数据和实际的文物监测数据进行了小波相关分析及预测建模仿真。实验结果表明该方法增强了小波相关分析理论的适用性,验证了所提方法的有效性和可行性,进一步提高了多元时间序列预测模型的模型精度。

一种飞行参数缺失数据的预测估计方法

飞行参数数据在记录过程中受到各种干扰因素影响,容易产生部分数据的丢失。为了得到完整又符合实际飞行状态的飞行参数数据,需要对缺失数据的参数数据进行预测估计。飞行参数数据中包含十几个参数,若将所有参数用于每个动作的飞行评估,复杂度太高。考虑到不同飞行状态下,不同的参数相关度不同,采用主成分分析选择相关度较大的若干参数。这些参数数据构成多元时间序列,因为飞行参数具有连续性和平稳性,所以利用多元时序建模综合多个参数相关性进行建模分析,实验证明该方法能够准确地估计缺失数据。

我国财政支出、进出口贸易总额与税收收入关系的研究

本文采用时间序列方法研究税收收入与进出口贸易总额、财政支出之间关系,研究结果表明,这3个序列都是非平稳的。取自然对数并做一阶差分之后序列变为平稳,在进行Johansen协整检验时得出序列之间有1个协整向量,利用取对数之后的序列做多元时间序列VARX模型能够很好地解释税收收入、进出口贸易总额、财政支出之间的关系。

分析、预测的方法在决策支持中的应用

主要介绍了多元回归分析、时间序列分析的数学原理、建模步骤以及在电信业中的应用 ,并且利用实际数据验证了这二种方法在拟合、预测方面的准确性和适用性。