本文目录一览：

• 1、时间序列分析--机器学习建模篇(五)
• 2、时间序列模型VECM建模全步骤(案例+Python代码)
• 3、论文阅读_时序聚类K-Shape
• 4、浙江大学副教授杨洋——《Time2Graph:从图视角出发的时间序列建模》

时间序列分析--机器学习建模篇(五)

1、在深入探讨时间序列分析的机器学习建模篇章中，第五篇将重心转向了传统机器学习方法在时序领域的实际应用和技巧。不同于基础统计模型，机器学习利用特征的时空关联，即使时间区间独立，也能通过特征工程引入上下文信息，应用于广泛场景。数据预处理是机器学习应用的关键，强调在有限的数据质量下，如何优化输入。

2、时间序列分析--机器学习建模篇（五）主要探讨了机器学习在时序领域的应用和技巧，特别关注传统机器学习模型如XGBoost在时序预测中的实际应用和处理方法。不同于传统时序分析，机器学习通过特征变量和上下文信息的引入，能利用外部信息进行更复杂的预估，而非单纯依赖历史趋势和季节性。

3、预测常用方法有时间序列分析、回归分析、机器学习预测方法和其他新兴预测方法。时间序列分析 时间序列分析是一种统计学上的预测方法，它通过处理按时间顺序排列的数据来预测未来的趋势。这种方法主要关注数据随时间变化的行为模式，通过识别这些模式来预测未来的数据点。

4、也称协方差平稳(covariance stationary)、二阶平稳(second-order stationary)或宽平稳(wide-sense stationary)，弱平稳时间序列的一阶矩和二阶矩不随时间的变化而变化。判断时间序列的平稳性有助随后选择模型，那么的平稳性是时间序列一个重要性质，可以用来给时间序列进行分类。

5、预测股票价格的波动趋势是金融领域中的一个重要问题，机器学习方法可以对该问题进行建模和求解。以下是一些可以采用的机器学习方法：时间序列分析：用于分析股票价格随时间变化的趋势性、周期性和随机性。基于ARIMA、GARCH、VAR等模型的时间序列分析方法可用于预测未来的股票价格走势。

时间序列模型VECM建模全步骤(案例+Python代码)

模型复现将从理解模型基础开始，逐步深入至实操Python代码。这包括数据收集、模型构建、结果解释等关键环节，确保读者能够从理论到实践全面掌握VECM模型的应用。待续部分将详细说明模型构建的具体步骤，包括数据预处理、模型验证、结果分析等，以确保读者能够完整复现案例，并对VECM模型有深入理解。

首先，对数据进行处理，确保时间序列的平稳性，通过stattools.adfuller函数进行单位根检验。如果序列呈现平稳，就跳过VAR模型，直接进行VECM建模；若非平稳，则建立VAR模型确定滞后阶数，但记住VECM的阶数会比VAR少1。

VAR模型允许我们同时考虑多个变量的滞后影响，而VECM则进一步考虑了误差修正项，这对于纠正长期均衡时的偏离至关重要。VECM中的误差修正系数识别是关键步骤，它帮助我们理解变量如何随着时间的推移调整到长期均衡状态。Eviews作为常用工具，提供了对这些模型的建模和分析功能，它使得复杂的数据分析变得直观和高效。

论文阅读_时序聚类K-Shape

1、这是一篇发表于2015年SIGMODE数据管理国际顶会的论文，它主要针对时序数据的聚类问题，提出了K-Shape方法。与以往的方法相比，它优化了距离计算方法，质心计算方法，还引入了提取频域特征方法，以提升效率。作者认为它是一种独立于领域、高精度、高效率的时间序列聚类方法。

2、全序列聚类是对一组时间序列相似性进行聚类，子序列聚类和时间点聚类是单序列聚类的两种形式。KShape算法能同时处理子序列和全序列聚类，基于互相关性改进距离计算和质心计算，支持缩放和平移不变性，计算效率高，无需手动设置参数，适用于多种领域。

3、model.get_prediction(start='；201001'；）则得到用拟合模型计算出来的样本内201001-201131的预测值；model.get_forcast(step=5)则得到样本外推5期即201001-201031五个月的预测值；注：model.get_prediction也可做外推值的预测，设定好具体终止周期即可。

4、该论文提出了Learning Features into Clustering Space（LF2CS）方法，通过将特征学习到聚类空间中，实现了一种基于聚类的无监督Few-shot图像分类。首先设置了一个可分离的聚类空间，使用一个可学习模型将特征映射到该空间，并通过图像采样构建c-way k-shot任务。

5、论文名称：P2B： Point-to-Box Network for 3D Object Tracking in Point Clouds 作者信息：该文提出了一种名为P2B的网络结构，旨在实现3D对象在点云数据中的追踪。P2B网络通过定位潜在的目标中心，实时地提出基于点的目标区域提议，并进行联合验证，从而实现追踪。

浙江大学副教授杨洋——《Time2Graph:从图视角出发的时间序列建模》

1、浙江大学计算机学院人工智能系主任杨洋副教授在2020年中国科技峰会系列活动青年科学家沙龙上，以《Time2Graph：从图视角出发的时间序列建模》为题进行了精彩演讲。杨洋博士，清华博士学历，师从唐杰教授和李涓子教授，专长于面向大规模社交与信息网络的序列挖掘。