趋势还是噪声？ADF与KPSS检验结果矛盾时的高级时间序列处理方法
当我们遇到ADF检验失败而KPSS检验通过的情况时，这表明我们面对的是一个平稳但具有确定性趋势的时间序列。
MOIRAI-MOE: 基于混合专家系统的大规模时间序列预测模型
MOIRAI-MOE 采用纯解码器架构,通过混合专家模型实现了频率无关的通用预测能力,同时显著降低了模型参数规模。
用傅里叶变换解码时间序列：从频域视角解析季节性模式
传统上，识别季节性模式往往依赖于数据的**可视化分析**。但是我们可以使用**傅里叶变换**以及**周期图**（Periodogram）这一强大工具，用一种更系统的方法来解决这个问题。
DeepSeek × 时间序列 ：DeepSeek-TS，基于状态空间增强MLA与GRPO的时序预测新框架
本文介绍 DeepSeek-TS，该框架受到 DeepSeek 中高效的多头潜在注意力（MLA）和群组相对策略优化（GRPO）技术的启发，并将其应用于多产品时间序列预测。
构建可靠的时间序列预测模型：数据泄露检测、前瞻性偏差消除与因果关系验证
在时间序列分析领域中，存在多种可能影响分析结果有效性的技术挑战。其中，数据泄露、前瞻性偏差和因果关系违反是最为常见且具有显著影响的问题。
时间序列平稳性的双重假设检验：KPSS与ADF方法比较研究
本文将详细介绍如何运用 **KPSS 检验**和 **Dickey-Fuller 检验**来验证序列的平稳性。这两种检验方法基于不同的统计假设：KPSS 检验的原假设是数据非平稳，而 Dickey-Fuller 检验则假设数据平稳。
时间序列分析中的状态估计：状态空间模型与卡尔曼滤波的隐状态估计
状态空间模型通过构建生成可观测数据的潜在未观测状态模型来进行时间序列分析。作为该方法论的核心，卡尔曼滤波为实时估计这些隐状态提供了一个理论完备的解决方案。本文深入探讨这些方法的理论基础和实践应用，阐述其在多领域的适用性。
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。
使用Python实现基于矩阵分解的长期事件(MFLEs)时间序列分析
基于矩阵分解的长期事件(Matrix Factorization for Long-term Events, MFLEs)分析技术应运而生。这种方法结合了矩阵分解的降维能力和时间序列分析的特性，为处理大规模时间序列数据提供了一个有效的解决方案。
Python时间序列分析工具Aeon使用指南
**Aeon** 是一个专注于时间序列处理的开源Python库，其设计理念遵循scikit-learn的API风格，为数据科学家和研究人员提供了一套完整的时间序列分析工具。该项目保持活跃开发，截至2024年仍持续更新。
特征时序化建模：基于特征缓慢变化维度历史追踪的机器学习模型性能优化方法
本文将通过缓慢变化维度（Slowly Changing Dimensions）这一数据建模技术来解决上面的这个问题。通过本文的介绍，可以了解历史数据存储对模型性能的重要影响，以及如何在实际应用中实施这一技术方案。
高精度保形滤波器Savitzky-Golay的数学原理、Python实现与工程应用
本文将系统地介绍Savitzky-Golay滤波器的原理、实现和应用。我们将从基本原理出发，通过数学推导和直观解释，深入理解该滤波器的工作机制。同时将结合Python实现，展示其在实际应用中的效果。
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
本文将通过实际案例，详细探讨如何运用机器学习技术来解决时间序列的缺失值问题。
时间序列预测的不确定性区间估计：基于EnbPI的方法与应用研究
本文聚焦于时间序列预测中的不确定性量化问题，重点探讨基于一致性预测理论的集成批量预测区间（Ensemble Batch Prediction Interval, EnbPI）方法。
TSMamba：基于Mamba架构的高效时间序列预测基础模型
TSMamba通过其创新的架构设计和训练策略，成功解决了传统时间序列预测模型面临的多个关键问题。
基于Liquid State Machine的时间序列预测:利用储备池计算实现高效建模
**Liquid State Machine (LSM)** 是一种 **脉冲神经网络 (Spiking Neural Network, SNN)** ,在计算神经科学和机器学习领域中得到广泛应用,特别适用于处理 **时变或动态数据**。
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
在本文中,我们将探讨图论如何洞察时间关系和平稳性，将介绍基于图的变换的基本概念,讨论时间序列数据的平稳性,并展示如何应用这些概念。
LLM-Mixer: 融合多尺度时间序列分解与预训练模型,可以精准捕捉短期波动与长期趋势
LLM-Mixer通过结合多尺度时间序列分解和预训练的LLMs,提高了时间序列预测的准确性。它利用多个时间分辨率有效地捕捉短期和长期模式,增强了模型的预测能力
TimeDART：基于扩散自回归Transformer 的自监督时间序列预测方法
TimeDART是一种专为**时间序列预测**设计的自**监督学习**方法。它的核心思想是通过从时间序列历史数据中学习模式来改进未来数据点的预测。
