×
达格·特约西姆;马丁·朱勒姆;安德斯·罗兰

时间序列和动态网络嵌入的一些最新趋势。 （英语） Zbl 07731500号

J.时间序列。分析。 44，编号5-6，686-709（2023）.
摘要：我们回顾了时间序列和动态网络嵌入的一些最新发展。我们从传统的主成分开始，然后研究时间序列动态因子模型的扩展。与时间序列的主成分不同，关于时变非线性嵌入的文献相当稀少。文献中最有希望的方法是基于神经网络的方法，最近在预测比赛中表现良好。我们还涉及拓扑数据分析（TDA）中不同形式的动力学。本文的最后一部分讨论了动态网络的嵌入，我们认为现有理论和大多数现实世界网络的行为之间存在差距。我们用两个模拟例子来说明我们的复习。在整个审查过程中，我们强调了静态案例和动态案例之间的差异，并指出了动态案例中的几个未决问题。
{©2023 John Wiley&Sons有限公司}

引用于1文件

MSC公司：

62H25个 因子分析和主成分；对应分析

关键词：

时间序列;动力学;网络;嵌入件

软件：

R光谱;DeepAR（深度AR）;ProNE公司
PDF格式BibTeX公司 XML格式引用
\textit{D.Tjötheim}等人，J.Time-Ser。分析。44，编号5--6，686--709（2023；Zbl 07731500）
全文： DOI程序 arXiv公司

参考文献：

[1] 亚当斯。，阿塔纳索娃，卡尔松，2011年。拓扑数据分析中的莫尔斯理论。arXiv预打印arXiv:1112.1993。
[2] ArmillottaM，FokianosK.2022a。泊松网络自回归。arXiv:2104.06296v3。
[3] ArmillottaM，FokianosK.2022b。测试网络自回归模型的线性。arXiv:2202.03852v1。
[4] ArmillottaM、FokianosK、KrikidisI。2022.广义线性模型网络自回归。在纽约斯普林格举行的网络科学国际会议上；112-125.
[5] 班达拉克、伯梅尔、休马拉盖。2020年，LSTM‐MSNet：利用多个季节模式的相关时间序列集的预测。IEEE神经网络和学习系统汇刊32:1-14。
[6] 巴登哈根C.2020。RDRToolbox：一个使用Isomap和LLE进行非线性降维的包。R包版本1.40.0。
[7] BouraknaA，ChungM，OmbaoH。2022.多变量时间序列数据的拓扑数据分析。arXiv版本：2204.13799v1。
[8] BrillingerD。1969.平稳时间序列的规范分析。《多元分析》第二卷，KrishnaiahPR（编辑）（编辑）。纽约学术出版社；331-350.
[9] BrillingerD。1975年，时间序列。数据分析和TheoryHolt、Rinehart和Winston·Zbl 0321.62004号
[10] 德维尔BronskiJC。2014.包含吸引和排斥相互作用的图的动力学谱理论。SIAM应用数学杂志74（1）：83-105·Zbl 1332.05086号
[11] 布贝尼克。2015年，使用持久性景观进行统计拓扑数据分析。机器学习研究杂志16:77-102·Zbl 1337.68221号
[12] 张伯伦。1983年，套利定价模型中的基金、因素和多样化。《计量经济学》51:1281-1304。
[13] RotschildM张伯伦。1983年，大型资产市场中的套利、因子结构和均值方差分析。计量经济学51:1305-1324。
[14] ChazalF、FasyB、LecciF、RinaldoA、WassermanL。2015.持久性景观和轮廓的随机收敛。计算几何杂志6:140-161·Zbl 1395.62186号
[15] 米歇尔·查扎尔夫。2017年，拓扑数据分析简介：数据科学家的基本和实践方面。arXiv:1710.04019v1。
[16] 米歇尔·查扎尔夫。2021.拓扑数据分析简介：数据科学家的基本和实用方面。人工智能前沿：机器学习和人工智能4:1-28。
[17] ChenR、Yang D、Zhang C‐H。2022.高维张量时间序列的因子模型。美国统计协会杂志117:94-116·Zbl 1506.62362号
[18] ChungM、Huang S‐G、Caroll I、CalhaunV、GoldsmithH。2022.脑网络的动态拓扑数据分析Vaia Wasserstein图聚类。arXiv:220000087v2。
[19] 起重机H。2018年，统计网络分析概率基础查普曼和霍尔，伦敦·Zbl 1490.62001
[20] CroneS、HibonM、NikolopoulosK。2011.神经网络预测进展：来自nn3时间序列预测竞争的经验证据。国际预测杂志27:635-660。
[21] CurryJ、MukherjeeS、TurnerK，2018年。方向的多少决定了两个拓扑变换的形状和其他充分性结果。arXiv:1805.09782。
[22] 多明戈斯。2015.主算法：探索终极学习机器将如何重塑我们的世界。《深入大脑》，基础图书，纽约。
[23] 杜尔、王毅、宋刚、卢姿、王杰。2018.动态网络嵌入：基于跳图的网络嵌入的扩展方法。IJCAI2018:2086-2092。
[24] DunlavyDM、KoldaTG、AcarE。2011.使用矩阵和张量分解进行时间链接预测。ACM数据知识发现事务（TKDD）5（2）：1-27。
[25] EdelsbrunnerH、Letcher D、ZomorodianA。2002.拓扑持久性和简化。离散计算几何28:511-533·Zbl 1011.68152号
[26] ForniM、HallinM、LippiMM、ReicL。2000.广义动态因子模型：识别和估计。《经济学与统计评论》82:540-554。
[27] GewekeJ。1977年。经济时间序列的动态因素分析。《社会经济模型中的潜在变量》，AignerDJ（编辑），GoldbergerAJ（编辑，编辑）。荷兰北部，阿姆斯特丹；365-383. ·Zbl 0389.62075号
[28] 卡兹·吉迪姆。2018年，金融时间序列的拓扑数据分析：黄的景观。物理学A.统计力学及其应用491·Zbl 1514.62206号
[29] GroverA，LeskovecJ.2016年。node2vec：网络的可扩展特性学习。2016年8月13日至17日，美国加利福尼亚州旧金山。
[30] HallinM、LippiM。2013年，高维时间序列中的因子模型——时域方法。随机过程及其应用23:2678-2695·兹比尔1285.62106
[31] 哈斯蒂。1984.主要曲线和曲面。计算统计实验室技术报告11，斯坦福大学，统计系，加利福尼亚州斯坦福。
[32] HeJ、Shang P、Xiong H。2018.基于改进交叉样本熵方法的金融时间序列多维标度分析。物理学A：统计力学及其应用500:210-221·Zbl 1514.62165号
[33] HelltonKH、ThoresenM。2017年。什么时候以及为什么主成分得分是可视化高维数据的好工具？斯堪的纳维亚统计杂志44（3）：581-597·Zbl 06774137号
[34] 辛顿G，萨拉赫季诺夫R。2006.使用神经网络降低数据的维数。科学313:504-507·Zbl 1226.68083号
[35] HyndmanR，AthanasopoulosG。2018.预测：原则与实践OTexts，澳大利亚墨尔本。
[36] HyndmanR、KoehlerA、OrdJ、SnyderR，2008年。指数平滑预测：国家空间方法施普林格科学与商业媒体，伦敦·Zbl 1211.62165号
[37] JenkinsOC，MatarićMJ。2004.ISOMAP非线性降维的时空扩展。《第21届机器学习国际会议论文集》，纽约南加州大学ACM数字图书馆；56
[38] JordangerL，TjötheimD。2022.非线性光谱分析：局部高斯方法。美国统计协会杂志117:1010-1027·Zbl 1507.62295号
[39] JullumM、LölandA、HusebyRB、Au nonsenG、LorentzenJ。2020年。使用机器学习检测洗钱交易。《洗钱控制杂志》23（1）：173-186。
[40] KaratzoglouA，SmolaA，HornikK.2022。kernlab:Kernel‐Based Machine Learning Lab.R包版本0.9‐31。
[41] KazemiS、GoelR、JainK、KobyzevI、SethiA、ForsythP、PoupartP。2020年。动态图的表示学习：一项调查。机器学习研究杂志21:1-73·Zbl 1498.68243号
[42] 克拉佩杰。2019.动态网络的时间序列建模。《统计学电子期刊》13:4945-4976·兹比尔1434.62188
[43] KucyiA、HoveMJ、EstermanM、HutchisonRM、ValeraEM。2017年。动态大脑网络与注意力的自发波动相关。大脑皮质27（3）：1831-1840。
[44] LamC、YaoQ。2012.高维时间序列的因子建模：因子数量推断。统计年鉴40:694-726·Zbl 1273.62214号
[45] LehoucqRB，SorensenDC。1996.隐式重新启动Arnoldi迭代的通货紧缩技术。SIAM矩阵分析与应用杂志17（4）：789-821·Zbl 0863.65016号
[46] GuedjB LiL。2021.主曲线的顺序学习：动态总结数据流。条目23:1-27。
[47] LianW、TalmonR、ZaveriH、CariL、CoifmanR。2015年，多元时间序列分析和扩散图。信号处理1116:13-28。
[48] LinY‐T、MalikJ、WuH‐T。2021.非平稳周期时间序列分析的波形振荡模型。数据科学基础3（2）：99-131·Zbl 1489.37110号
[49] 马查多·洛佩萨。2014.温度时间序列分析：将动力学嵌入MDS方法。非线性科学与数值模拟通信19:851-871·Zbl 1457.62371号
[50] LudkinM、EckleyI、NealP。2018年。动态随机块模型。群落结构参数估计与检测。统计与计算28:1201-1213·Zbl 1430.62137号
[51] MaX、WuJ、XueS、YangJ、Zhou C、ShengQZ、Xiong H、AkogluL。2021.关于图形异常检测和深度学习的综合调查。IEEE知识与数据工程汇刊。https://ieeexplore.ieee.org/document/9565320。
[52] MahapatraS，ChandolaV.2020。从非静态流数据中学习流形。arXiv:1804.08833v3。
[53] MakridakisS、HyndmanR、PetropoulosF。2020a年。社会环境中的预测：最新技术。国际预测杂志36:15-28。
[54] MakridakisS、SpiliotisE、AssimakopoulosV。2020年b月。m4竞赛：10万个时间序列和61种预测方法。《国际预测杂志》36:54-74。
[55] MaroulasV、NasrinF、ObelloC。2020年。持久同源性的贝叶斯框架。SIAM数学科学杂志2:48-74·Zbl 1484.62032号
[56] 麦肯齐。1984。广义指数平滑和等效arma过程。预测杂志3:333-344。
[57] MikolovT、ChenK、CorradoG、DeanJ.2013a。向量空间中单词表示的有效估计。CoRR，abs/13013781。
[58] MikolovT、SutskeverI、ChenK、CorradoGS、DeanJ。2013年b。单词和短语的分布式表示及其组成。神经信息处理系统进展，第26卷。麻省理工学院出版社，波士顿。
[59] Moon，C.和Lazar，N.A.（2020年）。使用向量化持久性图对形状进行假设测试。arXiv预印本arXiv:2006.05466。
[60] 纽曼。2020年，《网络》，第二次修订版，牛津大学出版社，牛津。
[61] NguyenN，QuanzB。2021.时间潜在自动编码器：一种概率多变量时间序列预测方法。AAAI人工智能会议记录35:9117-9125。
[62] PapaioannouO、KevrekidisI、TalmunR、SiettosC2021。使用流形学习进行时间序列预测。arXiv:2110.03625v4。
[63] 佩西托T.2021。描述性与推理性社区检测：陷阱、神话和半真半假。arXiv:2112.00183v1。
[64] 约哈伊夫·佩纳。2016.广义动态主成分。美国统计协会杂志111:1121-1131。
[65] PereaJA，HarerJ.2015年。滑动窗口和持久性：拓扑方法在信号分析中的应用。计算数学基础15（3）：799-838·Zbl 1325.37054号
[66] PerozziB、Al-RfouR、SkienaS。2014.Deepwalk：社交表征的在线学习。2014年10月14日。https://doi.org/10.1145/2623330.2623732。 ·doi:10.1145/2623330.2623732
[67] 邱杰、董毅、马赫、李杰、王凯、唐杰。2018.网络嵌入作为矩阵分解：统一DeepWalk、LINE、PTE和node2vec。在纽约州纽约市ACM WSDM会议记录中。
[68] 梅杰·邱。2022.RSpectra：大规模特征值和SVD问题的求解器。R包版本0.16‐1。
[69] RajA、CaiC、XieX、PalaciosE、OwenJ、MukherjeeP、NagarajanS。2020年。脑振荡的谱图理论。人脑映射41:2980-2998。
[70] RavisshankerN，ChenR.2019年。时间序列的拓扑数据分析（TDA）。arXiv:1909.10604v1。
[71] 索尔·罗伊斯。2000.通过局部线性嵌入降低非线性维数。科学290:2323-2326。
[72] SalinasD、FlunkertV、GasthausJ。2019.Deepar：使用自回归递归网络进行概率预测。国际预测杂志8:136-153。
[73] SargentT，SimsC。1977年，商业周期建模，但不假装有太多先验经济理论。《商业周期研究的新方法》，SimsCA（编辑）（编辑）。明尼阿波利斯联邦储备银行；45-109.
[74] 穆勒·萨卡普。2005.使用潜在空间模型进行动态社交网络分析。神经信息处理系统进展18:1-8。
[75] SchölkopfB、SmolaA、MüllerK‐L。2005年。核心主要组成部分。计算机科学课堂讲稿1327:583-588。
[76] SmylS公司。2020年。用于时间序列预测的指数平滑和递归神经网络混合方法。国际预测杂志36:75-85。
[77] 沃森·斯托克J。2002.使用大量预测因子的主成分进行预测。美国统计协会杂志97:1167-1179·Zbl 1041.62081号
[78] TangJ、QuM、Wang M、Zhang M、YanJ、MeiQ。2015年。线路：大规模信息网络嵌入。在意大利佛罗伦萨国际万维网会议指导委员会第24届万维网国际会议记录中；1067-1077.
[79] KrishnaiahP TanigushiM。多元时间序列中样本协方差矩阵和典型相关矩阵特征值函数的渐近分布。多元分析杂志22:156-176·Zbl 0618.62089号
[80] TenenbaumJ、deSilvaV、LangfordJ。2000.非线性降维的全球几何框架。科学290:2319-2323。
[81] 特约西姆D、朱卢姆M、罗兰达A。2022a年。统计嵌入：超越主要成分。统计科学出版社。
[82] 特约西姆D、朱卢姆M、罗兰达A。2022b年。补充“时间序列和动态网络嵌入的一些最新趋势”。
[83] 特约塞姆D、奥特奈姆H、斯特维B。2022c年。使用局部高斯近似的统计建模学术出版社，马萨诸塞州剑桥·Zbl 1504.62011年
[84] 汤加。1990年，非线性时间序列。《动力系统方法》牛津大学出版社，牛津·兹比尔0716.62085
[85] 托格森W。1952.多维缩放：1。理论和方法。心理学29:1-27。
[86] 斯波恩斯·瓦莱特。2022.时间序列的网络分析：网络神经科学的新方法。神经科学前沿17:1-20。
[87] WangY、OmbaoH、ChungMK。2018.单次试验脑电图信号的拓扑数据分析。应用统计年鉴12（3）：1506·Zbl 1405.62212号
[88] 瓦瑟曼。2018年拓扑数据分析。《统计及其应用年度回顾》:501-532。
[89] WenR、TorkkolaK、NarayanaswamyBM、MadekaD。2017年，多水平分位数循环预测。神经信息处理系统进展-时间序列研讨会，第31卷。麻省理工学院出版社，马萨诸塞州波士顿。
[90] XuD、RuanC、KorpeogluE、KumarS、AchanK。2020年。时间图形的归纳表征学习。学习代表国际会议。
[91] 希罗奥·徐克斯。2014.时间演变社交网络的动态随机区块模型。IEEE信号处理选定主题杂志8（4）：552-562。
[92] YuH‐F，RaoN，DhillonI。2016.用于高维时间序列预测的时间正则化矩阵分解。神经信息处理系统进展29:847-855。
[93] 是的，嘿，孔X，张X。2022.大维矩阵因子模型的预测估计。计量经济学杂志229:2012-217·Zbl 07538797号
[94] YuY，WangT，SamworthRJ.2015年。对于统计学家来说，戴维斯-卡汉定理的一个有用变体。生物特征102（2）：315-323·Zbl 1452.15010号
[95] 张杰、陈毅。2020年。异构网络中基于模块的社区检测。中国统计30:601-629·Zbl 1439.62157号
[96] 张杰、董毅、王毅、唐杰、丁敏。2019.ProNE：快速、可扩展的网络表征学习。国际JCAI19:4278-4284。
[97] 张X，童H。2022.时间序列数据主成分分析的渐近理论，带有警告性评论。英国皇家统计学会杂志：A辑（社会统计）185（2）：543-565。
[98] ZhuX，全景。2020年，分组网络向量自回归。中国统计30（3）：1437-1462·Zbl 1453.62654号
[99] 朱克、潘瑞、李格、刘毅、王赫。2017.网络向量自回归。统计年鉴45:1096-1123·Zbl 1381.62256号
[100] 佐莫迪安娜·卡尔松。2005.计算持久同源性。离散计算几何33:249-274·Zbl 1069.55003号
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。