【導讀】時間序列分析一直是研究的熱點，在很多場景都有應用。近期，發布一本由Chun-Kit Ngan編輯眾多領域專家撰寫的新書《Time ：Data, , and 》，總共六章，110頁pdf，提供了時間序列分析的當前信息、發展和趨勢，特別是在時間序列數據模式、技術方法和實際應用方面，是值的關注的一本書。
時間序列分析
新書地址：
本書旨在為讀者提供時間序列分析的當前信息、發展和趨勢，特別是在時間序列數據模式、技術方法和實際應用方面。本書分為三節，每節包括兩章。第一部分討論了多元時間序列和模糊時間序列的分析。第2節著重于開發用于時間序列預測和分類的深度神經網絡。第3節描述了如何使用時間序列技術解決實際領域的特定問題。本書包含的概念和技術涵蓋了時間序列研究的主題，學生、研究人員、實踐者和教授將對時間序列預測和分類、數據分析、機器學習、深度學習和人工智能感興趣。
目錄內容：
第一章： Fault for Over Time (多變量時間序列上連續動態系統的過程故障診斷)
By Chris
連續動態系統的故障診斷具有一定的挑戰性時間序列分析實例，因為這些系統中的變量通常以自相關和時變參數為特征，比如均值向量、協方差矩陣和高階統計量，而這些都不能很好地通過為穩態系統設計的方法來處理。在動態系統中，穩態方法被擴展來處理這些問題，本質上是通過特征提取來從時間序列中捕獲過程動態。在這一章中，我們將回顧從信號或多元時間序列中提取特征的最新進展。這些方法隨后可以在經典的統計監測框架中考慮，例如用于穩態系統。此外，討論了基于非閾值或全局遞歸量化分析的非線性信號處理的擴展時間序列分析實例，其中使用了兩種基于灰度共生矩陣和局部二值模式的多元圖像方法從時間序列中提取特征。結合化工領域著名的模擬田納西伊士曼過程，表明該方法獲得的時間序列特征是判別系統中不同故障狀態的有效手段。該方法提供了一個通用的框架，可以以多種方式擴展到時間序列分析。
第二章：Fuzzy Based on Fuzzy Time (基于模糊時間序列的模糊預測)
By Ming-Tao Chou
本章主要使用模糊時間序列進行區間預測和長期顯著性水平分析。本研究以臺灣海運運輸指數( STI)來說明預測過程。九個步驟被用來建立區間預測臺灣航運和運輸指數(臺灣STI),和ΔS稱為長期顯著性水平(上/下/穩定)是用來說明長期預測顯著性水平。通過區間預測和長期預測顯著性水平，為相關研究人員提供該指標的未來趨勢以及更多與該指標相關的內部信息。
第三章： Deep with for Time (利用強化學習訓練深度神經網絡進行時間序列預測)
By , , , Mabu and
人工神經網絡作為一種高效的非線性函數逼近器，在時間序列預測中得到了廣泛的應用。人工神經網絡的訓練方法通常采用誤差反向傳播(BP)， BP是等人1986年提出的一種監督學習算法;同時，為了提高神經網絡對未知時間序列預測的魯棒性，提出了木村和小林在1998年針對控制問題提出的隨機梯度上升(SGA)強化學習算法。2012年，我們還成功地利用多個受限玻爾茲曼機(RBMs)疊加的深度信念網(DBN)實現了時間序列預測。在本章中，介紹了一種將RBMs和多層感知器(MLP)相結合，采用SGA訓練算法的時間序列預測系統。實驗結果表明，該系統不僅對基準數據具有較高的預測精度，而且對真實現象時間序列數據也具有較高的預測精度。
第四章：CNN for Time (CNN方法用于時間序列分類)
By
時間序列分類是時間序列數據挖掘中的一個重要領域，目前已得到了廣泛的應用。雖然在過去的幾十年里，它已經引起了人們極大的興趣，但由于其數據的高維性、大數據量和不斷更新的特性，它仍然是一個具有挑戰性的任務，并且缺乏效率。隨著深度學習的出現，出現了新的學習方法，尤其是卷積神經網絡(CNN)模型。在這篇論文中，我們回顧了我們的時間序列CNN方法，包括:(i)一個基于編碼時間序列的數據級方法通過斯托克變換為頻域信號,(ii) -level方法基于自適應濾波器卷積層適合時間序列,和(iii)另一種-level方法適應時間序列分類注釋數據有限的任務,這是一個全球性的,基于遷移學習技術的快速輕量級框架，源學習任務與目標學習任務相似或不同，但又相關。這些方法用于識別人類活動，包括典型受試者的正常運動和與失序相關的運動，如自閉癥受試者的刻板運動。實驗結果表明，該方法提高了時間序列分類的性能。
第五章： and Fish Catch in Lake over Time (通過時間序列分析，預測了赤喀湖蝦、魚的捕撈量)
Kumar Raman and Kumar Das
(一個拉姆薩爾濕地)是位于印度奧里薩邦東海岸的魚類生產和生物多樣性的一個重要來源。蝦的平均產量為4185噸(公噸)，約占魚類總產量的35%。本研究基于2001-2015年的季度時間序列捕蝦數據，建立了 ( Auto ，季節自回歸綜合移動平均線)模型，并預測到2018年。根據信息準則(AIC)和信息準則(SBC)選擇最佳模型。結果顯示，在第一季度(夏季)，蝦類平均捕撈量最高，而在第二季度第二季度(季風季節)，捕撈量變化最大，在第四季度第四季度(冬季季節)，2001-2015年的捕撈量變化最小。所建立的時間序列(0,1,1)(0,1,1)4模型被認為是在瀉湖中進行蝦類登陸的最佳擬合模型。本文還介紹了利用湖漁業月漁獲預測建立模型的應用。所建立的模型經驗證，誤差不超過10%，表明在未來幾年，通過維持現有的湖泊條件，捕魚量將會增加。
第六章：Using Gray- Model and Time Model to Trend for China’s (利用Gray馬爾可夫模型和時間序列模型預測支持中國經濟發展的外商直接投資趨勢)
Zheng, Tong Shu, Shou Chen and Kin Keung Lai
外國直接投資(FDI)是影響中國經濟發展的重要因素之一，其預測是中國經濟發展和決策的基礎。基于解釋中國經濟增長的重要作用和利用外資的現狀在此期間從2000年到2016年,這一章試圖構建Gray-模型(GMM)和時間序列模型(TSM)預測中國利用外商直接投資的趨勢,然后比較兩種不同的預測模型的精度來獲得一個更好的。結果表明，傳統的灰色模型雖然是合格的，但還需要進一步優化;建立GMM是為了幫助修改結果，提高灰度相關度，縮小與真實值的差距。將GMM的精度與TSM的精度進行比較，可以看出GMM的擬合效果更好。為了增加這些結果的可信度，本章基于1990年至2016年北京和重慶的數據，也驗證了GMM的擬合效果優于TSM。得出GMM預測模型更可靠的結論，對利用FDI有一定的參考價值。