时间序列

时空数据挖掘五大革新方向详解篇！在数字化浪潮席卷全球的今天，时空数据正以前所未有的规模爆发，涵盖交通出行、城市规划、环境监测等核心领域。然而，传统挖掘方法在处理动态演化的时空特征时，面临维度灾难、数据稀疏与模型泛化性差等难题。随着人工智能技术迭代，时空数据挖掘亟需突破传统范式，从基础模型构建到前沿技术融合，形成系统性解决方案。

【AAAI2025】时间序列|Affirm:交互式Mamba，长时序预测天花板？论文地址：https://ojs.aaai.org/index.php/AAAI/article/view/35463/37618 代码地址：https://github.com/zjuml/Affirm

提升长序列建模效率：Mamba+交叉注意力架构完整指南本文将深入分析Mamba架构中交叉注意力机制的集成方法与技术实现。Mamba作为一种基于选择性状态空间模型的新型序列建模架构，在长序列处理方面展现出显著的计算效率优势。通过引入交叉注意力机制，Mamba能够有效处理多模态信息融合和条件生成任务。本文从理论基础、技术实现、性能分析和应用场景等维度，全面阐述了这一混合架构的技术特点和发展前景。

2025时间序列都有哪些创新点可做——总结篇作为AI和数据科学的核心方向之一，时间序列在2025年依然保持着强劲的发展势头，稳站各大顶会顶刊投稿主题前列。

《Python星球日记》第25天：Pandas 数据分析名人说：路漫漫其修远兮，吾将上下而求索。—— 屈原《离骚》创作者：Code_流苏(CSDN)（一个喜欢古诗词和编程的Coder😊）订阅专栏：《Python星球日记》

【时间序列聚类】从数据中发现隐藏的模式在大数据时代，时间序列数据无处不在。无论是股票市场的价格波动、天气的变化趋势，还是用户的点击行为，这些数据都随着时间推移而产生。然而，面对海量的时间序列数据，我们如何从中提取有价值的信息？答案之一就是时间序列聚类。

金融时间序列【量化理论】业界常用的技术分析指标都与价格本身有关，而时间序列分析由于对数据平稳性的要求常常是基于收益率这样更加偏稳定的数据（收益率由于会涨停和跌停每天最多10%）

时序论文37 | DUET：双向聚类增强的多变量时间序列预测论文标题：DUET: Dual Clustering Enhanced Multivariate Time Series Forecasting

Python时间序列分析：使用TSFresh进行自动化特征提取**TSFresh（基于可扩展假设检验的时间序列特征提取）**是一个专门用于时间序列数据特征自动提取的框架。该框架提取的特征可直接应用于分类、回归和异常检测等机器学习任务。TSFresh通过自动化特征工程流程，显著提升了时间序列分析的效率。

大模型铲屎官

PyTorch 时间序列与信号处理全解析：从预测到生成Pytorch基础篇01-PyTorch新手必看：张量是什么？5 分钟教你快速创建张量！ 02-张量运算真简单！PyTorch 数值计算操作完全指南 03-Numpy 还是 PyTorch？张量与 Numpy 的神奇转换技巧 04-揭秘数据处理神器：PyTorch 张量拼接与拆分实用技巧 05-深度学习从索引开始：PyTorch 张量索引与切片最全解析 06-张量形状任意改！PyTorch reshape、transpose 操作超详细教程 07-深入解读 PyTorch 张量运算：6 大核心函数全面解析

【机器学习 | 数据挖掘】时间序列算法【作者主页】Francek Chen 【专栏介绍】 ⌈ ⌈ ⌈智能大数据分析 ⌋ ⌋ ⌋ 智能大数据分析是指利用先进的技术和算法对大规模数据进行深入分析和挖掘，以提取有价值的信息和洞察。它结合了大数据技术、人工智能（AI）、机器学习（ML）和数据挖掘等多种方法，旨在通过自动化的方式分析复杂数据集，发现潜在的价值和关联性，实现数据的自动化处理和分析，从而支持决策和优化业务流程。与传统的人工分析相比，智能大数据分析具有自动化、深度挖掘、实时性和可视化等特点。智能大数据分析广泛应用于各个领域，包括金融服务、医疗

使用机器学习技术进行时间序列缺失数据填充：基础方法与入门案例在时间序列分析领域中，数据缺失是一个不可避免的挑战。无论是由于传感器故障、数据传输中断还是设备维护等原因，这些缺失都会对数据分析和预测造成显著影响。传统的处理方法，如前向填充或简单插值，虽然实现简单，但在处理复杂数据时往往表现不足。

时序论文26｜CAFO：以特征为中心的时序分类可解释性探究在多变量时间序列（MTS）分类中，找到对模型性能起决定性作用的特征是一个关键但具有挑战性的任务。但由于MTS数据复杂且高维、时间动态性等多方面因素，使得这种分析并不容易。

时序论文22｜ICML24港科大：面向多变量不规则的时间序列预测方法论文标题：Irregular Multivariate Time Series Forecasting: A Transformable Patching Graph Neural Networks Approach

多算法模型（BI-LSTM GRU Mamba ekan xgboost）实现功率预测本项目旨在通过结合多算法模型网络实现功率预测。包括数据处理、特征工程、模型训练、模型推理和结果输出，最终结果以 JSON 格式返回。代码地址：代码

TSMamba：基于Mamba架构的高效时间序列预测基础模型在当今数据驱动的世界中，时间序列预测在多个领域扮演着关键角色。从医疗保健分析师预测患者流量，到金融分析师预测股市趋势，再到气候科学家预测环境变化，准确的时间序列预测都至关重要。然而，传统的预测模型面临着三个主要挑战：

基于图论的时间序列数据平稳性与连通性分析：利用图形、数学和 Python 揭示时间序列数据中的隐藏模式时间序列数据表示了一个随时间记录的值的序列。理解这些序列内部的关系,尤其是在多元或复杂的时间序列数据中,不仅仅局限于随时间绘制数据点(这并不是说这种做法不好)。通过将时间序列数据转换为图,我们可以揭示数据片段内部隐藏的连接、模式和关系,帮助我们发现平稳性和时间连通性等性质，这就是图论发挥作用的地方。

Python实现基于HANTS算法（时间序列谐波分析法）的长时间序列数据去噪、重建、填补在时间序列分析中，数据的质量对结果有着至关重要的影响。长时间序列数据常常面临噪声、缺失值和不规律的模式，这些问题会严重影响数据的分析和建模。HANTS（Harmonic Analysis of Time Series）算法是一种有效的时间序列去噪和重建的方法，特别适用于周期性数据。本文将详细探讨HANTS算法的原理、实现方法，以及在Python中的具体应用案例，并采用面向对象的编程思想来组织代码。

merlion的dashboard打开方法安装好merlion包后，在anaconda prompt中进行如下图操作：打开后的界面为：

【机器学习(十)】时间序列案例之月销量预测分析—Holt-Winters算法—Sentosa_DSML社区版什么是Holt-Winters预测算法？ Holt-Winters算法是一种时间序列预测方法。时间序列预测方法用于提取和分析数据和统计数据并表征结果，以便根据历史数据更准确地预测未来。Holt-Winters 预测算法允许用户平滑时间序列并使用该数据预测感兴趣的领域。指数平滑法会根据历史数据分配指数递减的权重和值，以降低较旧数据的权重值。换句话说，在预测中，较新的历史数据比较旧的结果具有更大的权重。 Holt-Winters中使用的指数平滑方法有三种：单指数平滑——适用于预测没有趋势或季节性