Deep leanring or machine learning on time series with mixed sampling rate

2019/07/22 12:00:00 2019/07/22 12:00:00 paper list survey time series mixed sampling rate
  • Autoregressive Convolutional Neural Networks for Asynchronous Time Series: ICML 2019

    异:

    1. 处理的是多维时间序列数据
    2. 针对非同步数据,并未和我们一样,训练一个能够用于多种采样率的模型,而是将[多维时间序列,序列指示剂,采样间隔]合并成为多维时间序列,然后输入到网络中
    3. 使用类似自回归模型的算法,对时间序列模型进行预测
    4. 使用cnn进行序列学习

    同:

    1. 没什么相同的

  • Hierarchical Deep Generative Models for Multi-Rate Multivariate Time Series: ICML 2018

    异:

    1. 针对L种不同采样率的数据,并未和我们一样,训练一个能够用于多种采样率的模型,而是:
    2. 用RNN将不同采样率的时间序列中的每一个值,embedding到隐空间,h
    3. 基于深度马尔科夫模型,建模上述隐空间变量的生成模型
    4. 利用Auxiliary connections,提取不同采样率的时间序列的长程/短程记忆,即序列间的关系
    5. 该工作基于一种生成模型,通过模拟数据的生成过程,来建模若采样率数据之间的关系
    6. 针对非同步数据,并未和我们一样,训练一个能够用于多种采样率的模型

    异:

    1. 都设置了某种机制,用于分别提取了时间序列中的long/short term dependency,该文章使用的方法类似于我们所采用的跳连机制

  • INTERPOLATION-PREDICTION NETWORKS FOR IRREGULARLY SAMPLED TIME SERIES: ICLR 2019

    异:

    1. 对于D种不同采样率的时间序列,先设立一个均匀的参考时间线,然后利用插补网络( INTERPOLATION NETWORKS )在上述的参考时间线上进行插补,将不同采样率的时间序列插补成均匀采样的时间序列
    2. 再提取多维时间序列之间的关联关系(建模多维时间序列)
    3. 上一步的输出被送入后续的预测网络中进行进一步的训练(以预测、分类等任务为训练目标)
    4. 针对非同步数据,并未和我们一样,训练一个能够用于多种采样率的模型

    异:

    1. 都设置了某种机制,用于分别提取了时间序列中的long/short term dependency