开源新书《时间序列分析，数据/方法/应用》，6章110页pdf带你了解最新进展，附下载

2019 年 11 月 20 日 专知

【导读】时间序列分析一直是研究的热点，在很多场景都有应用。近期，IntechOpen发布一本由Chun-Kit Ngan编辑众多领域专家撰写的新书《Time Series Analysis：Data, Methods, and Applications》，总共六章，110页pdf，提供了时间序列分析的当前信息、发展和趋势，特别是在时间序列数据模式、技术方法和实际应用方面，是值的关注的一本书。

时间序列分析

新书地址：

https://www.intechopen.com/books/time-series-analysis-data-methods-and-applications

本书旨在为读者提供时间序列分析的当前信息、发展和趋势，特别是在时间序列数据模式、技术方法和实际应用方面。本书分为三节，每节包括两章。第一部分讨论了多元时间序列和模糊时间序列的分析。第2节着重于开发用于时间序列预测和分类的深度神经网络。第3节描述了如何使用时间序列技术解决实际领域的特定问题。本书包含的概念和技术涵盖了时间序列研究的主题，学生、研究人员、实践者和教授将对时间序列预测和分类、数据分析、机器学习、深度学习和人工智能感兴趣。

目录内容：

第一章：Process Fault Diagnosis for Continuous Dynamic Systems Over Multivariate Time Series (多变量时间序列上连续动态系统的过程故障诊断)

By Chris Aldrich

连续动态系统的故障诊断具有一定的挑战性，因为这些系统中的变量通常以自相关和时变参数为特征，比如均值向量、协方差矩阵和高阶统计量，而这些都不能很好地通过为稳态系统设计的方法来处理。在动态系统中，稳态方法被扩展来处理这些问题，本质上是通过特征提取来从时间序列中捕获过程动态。在这一章中，我们将回顾从信号或多元时间序列中提取特征的最新进展。这些方法随后可以在经典的统计监测框架中考虑，例如用于稳态系统。此外，讨论了基于非阈值或全局递归量化分析的非线性信号处理的扩展，其中使用了两种基于灰度共生矩阵和局部二值模式的多元图像方法从时间序列中提取特征。结合化工领域著名的模拟田纳西伊士曼过程，表明该方法获得的时间序列特征是判别系统中不同故障状态的有效手段。该方法提供了一个通用的框架，可以以多种方式扩展到时间序列分析。

第二章：Fuzzy Forecast Based on Fuzzy Time Series (基于模糊时间序列的模糊预测)

By Ming-Tao Chou

本章主要使用模糊时间序列进行区间预测和长期显著性水平分析。本研究以台湾海运运输指数(Taiwan STI)来说明预测过程。九个步骤被用来建立区间预测台湾航运和运输指数(台湾STI),和ΔS称为长期显著性水平(上/下/稳定)是用来说明长期预测显著性水平。通过区间预测和长期预测显著性水平，为相关研究人员提供该指标的未来趋势以及更多与该指标相关的内部信息。

第三章：Training Deep Neural Networks with Reinforcement Learning for Time Series Forecasting (利用强化学习训练深度神经网络进行时间序列预测)

By Takashi Kuremoto, Takaomi Hirata, Masanao Obayashi, Shingo Mabu and Kunikazu Kobayashi

人工神经网络作为一种高效的非线性函数逼近器，在时间序列预测中得到了广泛的应用。人工神经网络的训练方法通常采用误差反向传播(BP)， BP是Rumelhart等人1986年提出的一种监督学习算法;同时，为了提高神经网络对未知时间序列预测的鲁棒性，提出了木村和小林在1998年针对控制问题提出的随机梯度上升(SGA)强化学习算法。2012年，我们还成功地利用多个受限玻尔兹曼机(RBMs)叠加的深度信念网(DBN)实现了时间序列预测。在本章中，介绍了一种将RBMs和多层感知器(MLP)相结合，采用SGA训练算法的时间序列预测系统。实验结果表明，该系统不仅对基准数据具有较高的预测精度，而且对真实现象时间序列数据也具有较高的预测精度。

第四章：CNN Approaches for Time Series Classification (CNN方法用于时间序列分类)

By Lamyaa Sadouk

时间序列分类是时间序列数据挖掘中的一个重要领域，目前已得到了广泛的应用。虽然在过去的几十年里，它已经引起了人们极大的兴趣，但由于其数据的高维性、大数据量和不断更新的特性，它仍然是一个具有挑战性的任务，并且缺乏效率。随着深度学习的出现，出现了新的学习方法，尤其是卷积神经网络(CNN)模型。在这篇论文中，我们回顾了我们的时间序列CNN方法，包括:(i)一个基于编码时间序列的数据级方法通过斯托克变换为频域信号,(ii) algorithm-level方法基于自适应滤波器卷积层适合时间序列,和(iii)另一种algorithm-level方法适应时间序列分类注释数据有限的任务,这是一个全球性的,基于迁移学习技术的快速轻量级框架，源学习任务与目标学习任务相似或不同，但又相关。这些方法用于识别人类活动，包括典型受试者的正常运动和与失序相关的运动，如自闭症受试者的刻板运动。实验结果表明，该方法提高了时间序列分类的性能。

第五章：Forecasting Shrimp and Fish Catch in Chilika Lake over Time Series Analysis (通过时间序列分析，预测了赤喀湖虾、鱼的捕捞量)

By Rohan Kumar Raman and Basanta Kumar Das

Chilika lagoon(一个拉姆萨尔湿地)是位于印度奥里萨邦东海岸的鱼类生产和生物多样性的一个重要来源。虾的平均产量为4185吨(公吨)，约占鱼类总产量的35%。本研究基于2001-2015年的季度时间序列捕虾数据，建立了SARIMA (Seasonal Auto Regressive Integrated Moving Average，季节自回归综合移动平均线)模型，并预测到2018年。根据Akaike信息准则(AIC)和Bayesian信息准则(SBC)选择最佳模型。结果显示，在第一季度(夏季)，虾类平均捕捞量最高，而在第二季度第二季度(季风季节)，捕捞量变化最大，在第四季度第四季度(冬季季节)，2001-2015年的捕捞量变化最小。所建立的时间序列SARIMA(0,1,1)(0,1,1)4模型被认为是在泻湖中进行虾类登陆的最佳拟合模型。本文还介绍了利用Chilika湖渔业月渔获预测建立SARIMAX模型的应用。所建立的模型经验证，误差不超过10%，表明在未来几年，通过维持现有的湖泊条件，捕鱼量将会增加。

第六章：Using Gray-Markov Model and Time Series Model to Predict Foreign Direct Investment Trend for Supporting China’s Economic Development (利用Gray马尔可夫模型和时间序列模型预测支持中国经济发展的外商直接投资趋势)

By Yanyan Zheng, Tong Shu, Shou Chen and Kin Keung Lai

外国直接投资(FDI)是影响中国经济发展的重要因素之一，其预测是中国经济发展和决策的基础。基于解释中国经济增长的重要作用和利用外资的现状在此期间从2000年到2016年,这一章试图构建Gray-Markov模型(GMM)和时间序列模型(TSM)预测中国利用外商直接投资的趋势,然后比较两种不同的预测模型的精度来获得一个更好的。结果表明，传统的灰色模型虽然是合格的，但还需要进一步优化;建立GMM是为了帮助修改结果，提高灰度相关度，缩小与真实值的差距。将GMM的精度与TSM的精度进行比较，可以看出GMM的拟合效果更好。为了增加这些结果的可信度，本章基于1990年至2016年北京和重庆的数据，也验证了GMM的拟合效果优于TSM。得出GMM预测模型更可靠的结论，对利用FDI有一定的参考价值。