Time Series

12 items

RESEARCHarXiv CS.LG·4/21/2026

UniMamba: A Unified Spatial-Temporal Modeling Framework with State-Space and Attention Integration

UniMamba ist ein neues einheitliches räumlich-zeitliches Prognoseframework, das effiziente Zustandsraumdynamiken mit auf Aufmerksamkeit basierendem Abhängigkeitslernen integriert, um Herausforderungen bei multivariaten Zeitreihen zu bewältigen. Es nutzt eine Mamba Variate-Channel Encoding Layer und eine Spatial Temporal Attention Layer, um sowohl globale zeitliche Abhängigkeiten als auch Inter-Variablen-Korrelationen zu erfassen.

forecasting machine learning attention mechanisms State Space Models

RESEARCHarXiv CS.AI·4/17/2026

Fun-TSG: A Function-Driven Multivariate Time Series Generator with Variable-Level Anomaly Labeling

Die Bewertung von Anomalieerkennungsmethoden in multivariaten Zeitreihen ist aufgrund begrenzter Benchmark-Datensätze mit feingranularen Annotationen schwierig. Fun-TSG wird als anpassbarer Zeitreihengenerator eingeführt, um dieses Problem zu lösen, indem es sowohl automatisierte als auch manuelle Datengenerierung mit voller Transparenz für eine rigorose Evaluierung ermöglicht.

Anomaly Detection Benchmarking Data Generation Time Series

RESEARCHarXiv CS.AI·vor 5T

GITCO: Gated Inference-Time Context Optimization in TSFMs

Dieser Artikel stellt GITCO vor, ein leichtgewichtiges Framework zur Kontextoptimierung während der Inferenzzeit, das die Genauigkeit von patch-basierten Zeitreihen-Grundlagenmodellen (TSFMs) verbessert. Es identifiziert und unterdrückt schädliche Patches ohne Modellgewichtsaktualisierungen und erreicht eine MASE-Reduzierung von +1,95% bei TimesFM 2.5.

forecasting Optimization machine learning Foundation Models

RESEARCHarXiv CS.LG·4/15/2026

DBGL: Decay-aware Bipartite Graph Learning for Irregular Medical Time Series Classification

DBGL stellt eine neuartige, zerfallsbewusste Methode zum bipartiten Graphenlernen vor, um die Herausforderungen bei der Klassifizierung unregelmäßiger medizinischer Zeitreihen zu adressieren. Sie nutzt einen patientenvariablen bipartiten Graphen zur Modellierung unregelmäßiger Abtastmuster und Variablenbeziehungen und integriert zusätzlich eine knotenspezifische temporale Zerfallsenkodierung für die Unregelmäßigkeit des Variablenzerfalls.

Graph Neural Networks machine learning medical AI irregular data

DOCDEV.to AI·vor 12T

Recurrent Neural Networks for Time Series Forecasting

Rekurrente Neuronale Netze werden für die Zeitreihenprognose untersucht, wobei ihre Fähigkeit zur Modellierung von Datensequenzen hervorgehoben wird. Dieser Inhalt erläutert die Funktionsweise dieser Architekturen und ihre praktischen Anwendungen im Bereich der künstlichen Intelligenz.

neural networks forecasting deep learning machine learning

RESEARCHarXiv CS.LG·5/4/2026

Soft-MSM: Differentiable Context-Aware Elastic Alignment for Time Series

Diese Forschung stellt Soft-MSM vor, einen neuartigen differenzierbaren elastischen Ausrichtungsverlust für Zeitreihen, der auf der Move-Split-Merge (MSM)-Distanz basiert. Soft-MSM behebt die Einschränkung von Soft-DTW, indem es kontextsensitive Übergangskosten integriert, was es für gradientenbasierte Optimierung in maschinellen Lernaufgaben wie Klassifizierung und Clustering geeignet macht.

elastic alignment machine learning Soft-MSM dynamic time warping

RESEARCHarXiv CS.LG·vor 29T

TTCD:Transformer Integrated Temporal Causal Discovery from Non-Stationary Time Series Data

Das TTCD (Transformer Integrated Temporal Causal Discovery) Framework ist ein neuartiger End-to-End-Ansatz, der entwickelt wurde, um gleichzeitige und verzögerte kausale Beziehungen aus komplexen nicht-stationären Zeitreihendaten zu lernen. Diese Methode überwindet die Einschränkungen bestehender Techniken durch die Integration von zeitlicher und Frequenzbereichs-Aufmerksamkeit und bietet eine einheitliche Lösung für anspruchsvolle reale Szenarien.

Causal Discovery machine learning non-stationary data Time Series

RESEARCHarXiv CS.LG·vor 9T

Unicorn: Scaling High-Dimensional Time Series Forecasting via Universal Correlation Modeling

Unicorn ist ein neues Framework für skalierbare, hochdimensionale Zeitreihenvorhersage, das die Lücke zwischen unabhängigen und abhängigen Kanalmodellen schließt. Es verwendet ein latentes Prototyp-Codebuch, um universelle Korrelationsmuster zu lernen, und übertrifft die modernsten Vorhersagearchitekturen, insbesondere in Few-Shot-Transfer-Szenarien.

forecasting pretraining deep learning machine learning

RESEARCHarXiv CS.LG·vor 15T

Algometrics: Forecasting Under Algorithmic Feedback

Dieser Artikel führt Algometrics ein, ein Framework für Zeitreihen, deren Entwicklung von den sie vorhersagenden prädiktiven Algorithmen abhängt. Es unterscheidet historisches Risiko von Einsatzrisiko, wobei bewiesen wird, dass das Einsatzrisiko nicht allein aus passiven historischen Daten identifizierbar ist und dass historische Modellrankings unter Überlastung invertieren können.

forecasting feedback loops algorithmic markets predictive models

RESEARCHDEV.to AI·vor 28T

Deep Time Series Models: A Comprehensive Survey and Benchmark

Dieses Papier bietet eine umfassende Übersicht und einen Benchmark von Deep-Learning-Modellen, die auf Zeitreihendaten angewendet werden. Es werden systematisch verschiedene Architekturen und ihre Leistung über verschiedene Aufgaben und Datensätze hinweg überprüft.

Survey deep learning machine learning Benchmarking

DOCKDNuggets·vor 26T

Time-Series Feature Engineering with Python Itertools

Erfahren Sie, wie Sie Python itertools nutzen, um effiziente und skalierbare Zeitreihen-Features zu entwickeln. Dieser Leitfaden bietet praktische Methoden für das Feature Engineering in Zeitdaten.

itertools Feature Engineering learning Python

Time-Series Feature Engineering with Python Itertools

ARTICLEDEV.to AI·4/11/2026

Comparison of different Methods for Univariate Time Series Imputation in R

Este artigo compara diferentes métodos para imputação de séries temporais univariadas, analisando suas abordagens e eficácia para lidar com dados ausentes na linguagem R.

machine learning data preprocessing R Imputation