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:
- 处理的是多维时间序列数据
- 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
- 使用类似自回归模型的算法,对时间序列模型进行预测
- 使用cnn进行序列学习
同:
- 没什么相同的
Hierarchical Deep Generative Models for Multi-Rate Multivariate Time Series: ICML 2018
异:
- 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:
- 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
- 基于深度马尔科夫模型,建模上述隐空间变量的生成模型
- 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
- 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
- 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:
- 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:
- 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
- 再提取多维时间序列之间的关联关系(建模多维时间序列)
- 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)
- 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:
- 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