时间序列分析

Time-series Analysis

研究目标在于研究适用于海量多源时间序列的建模分析方法与范式，进而提升各种下游应用上的精度。

主要研究内容包括：

• 底层时序数据处理：致力于提升时序数据的清洗、降噪、采样等基础处理技术，以确保数据质量并为后续分析奠定坚实的基础。
• 时序数据特征表示：针对时序数据的复杂性和高维性，研究高效的特征表示方法，探索如何通过自监督学习等技术挖掘数据的潜在结构和规律。
• 时序分类与预测：研究经典与新兴的时序模型，从统计模型到深度学习模型，用于精准的时序分类和预测。
• 基础时序模型：时序自监督预训练、时序基础模型、时序模型复用、时序迁移学习。
• 多模态时序：探索多模态时序数据建模，整合来自不同源的数据（如文本和传感器数据），以提升时序分析的全面性和精度。
• 可信时序建模：注重模型的鲁棒性、隐私保护和安全性，研究如何构建在噪声、攻击、和数据泄露场景下仍能保持高可靠性的时序模型。