Fighting，小侠客们好呀，今天为大家带来的甄选论文合集——2024 Time Series Paper S5，包含2024年时间序列领域最新已发表的6篇顶级优秀论文。在信息爆炸的时代，我们面临着大量的数据和复杂的问题，而合集精心挑选最优秀的一批影响力较大的顶会顶刊发表论文，涵盖了各个领域的研究成果，旨在提供一扇通往最前沿研究的窗口，不论您是学者、研究人员还是决策者，这些论文都将为您提供实用的研究方法和宝贵的研究灵感。文末均附有论文PDF&项目源码提取码，合集已发表前沿论文如下：甄选论文涉及Time Series Forecasting（时间序列预测）、Probabilistic Time Series Forecasting（概率时间序列预测）、Time Series Classification（时间序列分类）、Time Series Imputation（时间序列填补）、Time Series Anomaly Detection（时间序列异常检测）、General Time Series Analysis（通用时间序列分析）、Spatio-Temporal Forecasting（时空预测）、Time Series Clustering（时间序列聚类）等多个研究子领域。2024 Time Series Paper S5的主要内容：
1. Aircraft Engines RUL Prediction（RUL Prediction）
2. MSGNet（Multivariate Time Series Forecasting）
3. FCSTGNN（Multivariate Time-Series Modeling）
4. C2FAR（Time Series Probabilistic Forecasting）
5. TS-GAC（Multivariate Time-Series Classification）
6. AutoXPCR（Time Series Forecasting）
01
Aircraft Engines RUL Prediction
Paper：《Remaining Useful Life Prediction for Aircraft Engines using LSTM》
Abstract：这项研究使用长短期记忆（LSTM）网络从时间序列数据中预测喷气发动机的剩余使用寿命（RUL），这对飞机维护和安全至关重要。在NASA的C-MAPSS数据集上，将LSTM模型的性能与多层感知器（MLP）进行了比较，该数据集包含喷气发动机运行至故障事件。LSTM从传感器数据的时间序列中学习，而MLP从静态数据快照中学习。LSTM模型在预测精度方面始终优于MLP，证明了其在捕捉喷气发动机退化模式的时间相关性方面的卓越能力。
Project：包含C-MAPSS数据集、已训练模型文件与模型训练代码等，具体文件如下所示：
- train_FD004_normed.txt
figures：实验相关截图
saved_models：已训练模型文件
animation3.gif
README.md：项目说明
Results.txt：评估结果
rul_load.py
rul_prediction.py
rul-prediction-MLP.ipynb
rul-predictions-LSTM.ipynb
运行rul-prediction-MLP.ipynb可以训练用于预测RUL的训练MLP模型；运行rul-predictions-LSTM.ipynb可以训练用于预测RUL的训练LSTM模型。
![]()
Paper：《MSGNet: Learning Multi-Scale Inter-Series Correlations for Multivariate Time Series Forecasting》
Task：Multivariate Time Series Forecasting
Publication：AAAI 2024
Abstract：多变量时间序列预测在各个学科中都提出了持续的挑战。时间序列数据通常表现出不同的序列内和序列间相关性，导致了复杂和交织的相关性，这是许多研究的重点。然而，在理解多个时间序列中不同时间尺度上不同的序列间相关性方面仍然存在重大的研究差距，这一领域在文献中受到的关注有限。为了弥补这一差距，本文介绍了MSGNet，这是一种先进的深度学习模型，旨在使用频域分析和自适应图卷积来捕捉多个时间尺度上变化的序列间相关性。通过利用频域分析，MSGNet有效地提取了显著的周期模式，并将时间序列分解为不同的时间尺度。该模型结合了自注意机制来捕获序列内相关性，同时引入了自适应混合跳图卷积层来自主学习每个时间尺度内的不同序列间相关性。在几个真实世界的数据集上进行了广泛的实验，以展示MSGNet的有效性。此外，MSGNet具有自动学习可解释的多尺度序列间相关性的能力，即使应用于分布外样本，也表现出强大的泛化能力。![]()
Paper：《Fully-Connected Spatial-Temporal Graph for Multivariate Time-Series Data》Task：Multivariate Time-Series Modeling
Publication：AAAI 2024
Abstract：多变量时间序列（MTS）数据在各个应用领域都至关重要。MTS数据具有序列和多源（多个传感器）特性，固有地表现出时空（ST）依赖性，包括时间戳之间的时间相关性和每个时间戳中多变量之间的空间相关性。为了有效地利用这些信息，基于图神经网络的方法（GNN）已被广泛采用。然而，现有的方法分别捕获空间依赖性和时间依赖性，并且未能捕获不同时间戳下不同变量之间的相关性（DEDT）。忽视这种相关性阻碍了MTS数据中ST依赖性的全面建模，从而限制了现有GNN学习有效表示。为了解决这一限制，我们提出了一种新的方法，称为全连通时空图神经网络（FC-STGNN），包括两个关键组件，即FC图构建和FC图卷积。对于图的构建，我们设计了一个衰减图，根据变量的时间距离在所有时间戳上连接变量，使我们能够通过考虑DEDT之间的相关性来对ST相关性进行全面建模。此外，我们设计了具有移动池化GNN层的FC图卷积，以有效地捕获ST相关性，从而学习有效表示。大量实验表明，与SOTA方法相比，FC-STGNN在C-MAPSS、UCI-HAR、ISRUC-S3等多个MTS数据集上的有效性。
