建模論文時間序列題目（數學建模時間序列題目）
本文目錄一覽：
- 1、時間序列分析--機器學習建模篇(五)
- 2、時間序列模型VECM建模全步驟(案例+Python代碼)
- 3、論文閱讀_時序聚類K-Shape
- 4、浙江大學副教授楊洋——《Time2Graph:從圖視角出發的時間序列建模》
時間序列分析--機器學習建模篇(五)
1、在深入探討時間序列分析的機器學習建模篇章中，第五篇將重心轉向了傳統機器學習方法在時序領域的實際應用和技巧。不同于基礎統計模型，機器學習利用特征的時空關聯，即使時間區間獨立，也能通過特征工程引入上下文信息，應用于廣泛場景。數據預處理是機器學習應用的關鍵，強調在有限的數據質量下，如何優化輸入。
2、時間序列分析--機器學習建模篇（五）主要探討了機器學習在時序領域的應用和技巧，特別關注傳統機器學習模型如XGBoost在時序預測中的實際應用和處理方法。不同于傳統時序分析，機器學習通過特征變量和上下文信息的引入，能利用外部信息進行更復雜的預估，而非單純依賴歷史趨勢和季節性。
3、預測常用方法有時間序列分析、回歸分析、機器學習預測方法和其他新興預測方法。時間序列分析 時間序列分析是一種統計學上的預測方法，它通過處理按時間順序排列的數據來預測未來的趨勢。這種方法主要關注數據隨時間變化的行為模式，通過識別這些模式來預測未來的數據點。
4、也稱協方差平穩(covariance stationary)、二階平穩(second-order stationary)或寬平穩(wide-sense stationary)，弱平穩時間序列的一階矩和二階矩不隨時間的變化而變化。判斷時間序列的平穩性有助隨后選擇模型，那么的平穩性是時間序列一個重要性質，可以用來給時間序列進行分類。
5、預測股票價格的波動趨勢是金融領域中的一個重要問題，機器學習方法可以對該問題進行建模和求解。以下是一些可以采用的機器學習方法：時間序列分析：用于分析股票價格隨時間變化的趨勢性、周期性和隨機性。基于ARIMA、GARCH、VAR等模型的時間序列分析方法可用于預測未來的股票價格走勢。
時間序列模型VECM建模全步驟(案例+Python代碼)
模型復現將從理解模型基礎開始，逐步深入至實操Python代碼。這包括數據收集、模型構建、結果解釋等關鍵環節，確保讀者能夠從理論到實踐全面掌握VECM模型的應用。待續部分將詳細說明模型構建的具體步驟，包括數據預處理、模型驗證、結果分析等，以確保讀者能夠完整復現案例，并對VECM模型有深入理解。
首先，對數據進行處理，確保時間序列的平穩性，通過stattools.adfuller函數進行單位根檢驗。如果序列呈現平穩，就跳過VAR模型，直接進行VECM建模；若非平穩，則建立VAR模型確定滯后階數，但記住VECM的階數會比VAR少1。
VAR模型允許我們同時考慮多個變量的滯后影響，而VECM則進一步考慮了誤差修正項，這對于糾正長期均衡時的偏離至關重要。VECM中的誤差修正系數識別是關鍵步驟，它幫助我們理解變量如何隨著時間的推移調整到長期均衡狀態。Eviews作為常用工具，提供了對這些模型的建模和分析功能，它使得復雜的數據分析變得直觀和高效。
論文閱讀_時序聚類K-Shape
1、這是一篇發表于2015年SIGMODE數據管理國際頂會的論文，它主要針對時序數據的聚類問題，提出了K-Shape方法。與以往的方法相比，它優化了距離計算方法，質心計算方法，還引入了提取頻域特征方法，以提升效率。作者認為它是一種獨立于領域、高精度、高效率的時間序列聚類方法。
2、全序列聚類是對一組時間序列相似性進行聚類，子序列聚類和時間點聚類是單序列聚類的兩種形式。KShape算法能同時處理子序列和全序列聚類，基于互相關性改進距離計算和質心計算，支持縮放和平移不變性，計算效率高，無需手動設置參數，適用于多種領域。
3、model.get_prediction(start='；201001'；）則得到用擬合模型計算出來的樣本內201001-201131的預測值；model.get_forcast(step=5)則得到樣本外推5期即201001-201031五個月的預測值；注：model.get_prediction也可做外推值的預測，設定好具體終止周期即可。
4、該論文提出了Learning Features into Clustering Space（LF2CS）方法，通過將特征學習到聚類空間中，實現了一種基于聚類的無監督Few-shot圖像分類。首先設置了一個可分離的聚類空間，使用一個可學習模型將特征映射到該空間，并通過圖像采樣構建c-way k-shot任務。
5、論文名稱：P2B： Point-to-Box Network for 3D Object Tracking in Point Clouds 作者信息：該文提出了一種名為P2B的網絡結構，旨在實現3D對象在點云數據中的追蹤。P2B網絡通過定位潛在的目標中心，實時地提出基于點的目標區域提議，并進行聯合驗證，從而實現追蹤。
浙江大學副教授楊洋——《Time2Graph:從圖視角出發的時間序列建模》
1、浙江大學計算機學院人工智能系主任楊洋副教授在2020年中國科技峰會系列活動青年科學家沙龍上，以《Time2Graph：從圖視角出發的時間序列建模》為題進行了精彩演講。楊洋博士，清華博士學歷，師從唐杰教授和李涓子教授，專長于面向大規模社交與信息網絡的序列挖掘。