简介
该用户还未填写简介
擅长的技术栈
可提供的服务
暂无可提供的服务
自监督学习(SSL)最近在各种时间序列任务上取得了令人印象深刻的表现。SSL最突出的优点是减少了对标记数据的依赖。基于预训练和微调策略,即使少量的标记数据也能实现高性能。与许多已发表的关于计算机视觉和自然语言处理的自监督综述相比,仍然缺少针对时间序列 SSL 的全面综述。为了填补这一空白,我们在本文中回顾了当前最先进的时间序列数据 SSL 方法。为此,本文首先全面回顾与 SSL 和时间序列相关的现
时间序列在经济、交通、健康和能源等不同领域生成,其中未来值的预测具有许多重要的应用。毫不奇怪,人们提出了许多预测方法。为了确保进展,必须能够以全面、可靠的方式对这些方法进行实证研究和比较。为了实现这一目标,本文提出了 TFB,一种时间序列预测 (TSF) 方法的自动化基准。TFB 通过解决与数据集、比较方法和评估流程相关的缺点来推进最先进的技术,即:1)数据域覆盖范围不足,2)对传统方法的刻板印象
基础模型,尤其是大语言模型,正在深刻地改变深度学习。可以通过少量提示或微调使单个预训练模型适应许多任务,而不是训练许多特定于任务的模型。然而,当前的基础模型适用于序列数据,但不适用于时间序列,由于固有的多样化和多域时间序列数据集、预测、分类和其他类型任务的不同任务规范以及对任务的明显需求需要各自专门的模型(task-specialized model),这带来了独特的挑战。本文开发了 UNITS,
近期,大型语言模型(LLMs)在时间序列分析中显示出卓越能力。不同于现有模型,LLMs主要通过参数扩展和广泛的预训练在保持其基本结构的同时取得进步。本文提出了一种用于交通预测的空间-时间大型语言模型(ST-LLM)。具体来说,ST-LLM将每个地点的时间步骤重新定义为标记,并融入空间-时间嵌入模块来学习标记的空间位置和全局时间表征。然后,这些表征被融合,为每个标记提供统一的空间和时间信息。此外,我
本文提出了TPLLM框架,一个基于预训练大型语言模型(LLMs)的交通预测系统,它通过结合序列和图嵌入层以及LoRA微调技术,能够在数据有限的情况下有效提高交通流量预测的准确性和泛化能力。
多元时间序列预测 (MTSF) 对于决策至关重要,基于从多个序列的历史观测中识别出的复杂关系来准确预测未来的值/趋势。最近,时空图神经网络 (STGNN) 因其在挖掘时空依赖性方面的强大能力而逐渐成为 MTSF 模型的主题,但它们中的大多数都严重依赖于历史数据完整性的假设。实际上,由于数据收集器故障和耗时修复等因素,收集整个历史观测值而不遗漏任何变量极具挑战性。在这种情况下,STGNN 只能利用正
2024 KDD( ACM SIGKDD Conference on KnowledgeDiscovery and Data Mining, 知识发现和数据挖掘会议)在2024年8月25日-29日在举行。本文总结了KDD2024有关的相关论文,如有疏漏,欢迎大家补充。:时空(交通)预测, 生成,拥堵预测,定价预测,气象预测,轨迹生成,预测,异常检测,信控优化等KDD 2024 时空数据(Spati
Research track中有3个session中与时空数据(城市计算)紧密相关,还有一些其余session中有一些做的时空数据任务。Research Track Topic:时空预测,信控优化,轨迹表示学习,多模态,神经过程,迁移学习等ADS track中有2个session中与时空数据(城市计算)紧密相关,还有一些其余session中有一些做的时空数据任务。ADS Track Topic:交
AAAI今年共有12100篇投稿(Main Technical Track),有9862篇经过严格审稿,共录取了2342篇论文,录取率23.75%。12月19日,为AAAI 2024camera-ready的截止日期,AAAI 24效率很高,也很快放出了录取论文的标题和作者。AAAI 2024将在2024年2月20日到27日于加拿大温哥华举行。本文总结了2024 AAAI上有关包括时间序列预测,分
NeurIPS 2024于2024年12月10号-12月15号在加拿大温哥华举行(Vancouver, Canada),录取率25.8%本文总结了NeurIPS 2024有关时空数据(spatial-temporal data)的相关论文,主要包含气象预测,时空插补,轨迹生成,交通模拟,信控优化,异常检测以及LLM在时空数据的应用等内容,如有疏漏,欢迎大家补充。时空数据Topic:气象预测,时空插