鲁棒时间序列分析及其工业应用

时间序列分析在各个领域都非常普遍和重要，例如云计算中的IT运营人工智能(AI - Intelligence for IT Operations, AIOps)、电子商务中的人工智能(AI-powered Business Intelligence, AI -power Business Intelligence)、物联网人工智能(AI- Intelligence of Things, AIoT)等。在现实世界中，时间序列数据往往呈现出具有趋势、季节性、异常值和噪声的复杂模式。此外，随着越来越多的时间序列数据被收集和存储，如何有效地处理大量的数据在许多应用中是至关重要的。我们注意到，这些重大挑战存在于各种任务中，如预测、异常检测和故障原因定位。因此，如何针对不同的任务设计有效、高效的时间序列模型，使其具有鲁棒性，能够解决上述实际场景中的挑战模式和噪声，具有很大的理论和实践意义。

 

在本教程中，我们提供了在鲁棒时间序列分析的最先进算法的全面和有组织的教程，从传统的统计方法到最新的基于深度学习的方法。我们不仅将介绍时间序列算法的原理，而且还将提供如何将它们有效地应用于实际的真实工业应用的见解。具体来说，我们将本教程组织在一个自底向上的框架中。我们首先介绍了不同学科的初步成果，包括鲁棒统计、信号处理、优化和深度学习。然后，我们识别并讨论了鲁棒时间序列分析中最常用的处理块，包括周期检测、趋势滤波、季节趋势分解和时间序列相似性。最后，我们讨论了多个时间序列任务的最新进展，包括预测、异常检测、故障原因定位和自动扩展，以及大规模时间序列应用的实际经验教训，从工业的角度。

 

地址：https://qingsongedu.github.io/timeseries-tutorial-kdd-2022/

内容中包含的图片若涉及版权问题，请及时与我们联系删除