简介:摘要:时间序列预测是对已有的时间序列数据进行分析,挖掘时间序列数据中蕴藏的信息,并对未来进行预测。时间序列预测具有极其重要的理论意义与现实意义,学者们为此做了大量的研究工作并取得了很好的成果。本文主要对时间序列预测的相关方法进行整理归纳,对时间序列预测相关研究进行述评。
简介:摘要:时间序列是指对同一现象观测或记录到的一组按时间顺序排列起来的统计数据,通过对时间序列进行编制和分析,根据时间序列所反映出来的发展过程、方向和趋势,进行类推或延伸,借以预测下一段时间或以后若干年内可能达到的水平,这种方法称为时间序列预测技术。时间序列预测技术在军事行动序列预测、市场需求预测、发电预测、区域降水量预测等军事、经济、工程和自然科技等领域,具有重要意义。
简介:摘要:时间序列作为时间观测值的集合,在机器学习和人工智能领域引发了广泛的关注。时间序列预测是获取未来趋势的重要课题之一,研究结果可以为各种应用提供依据,例如优化、控制以及生产计划等。因此,已经提出了许多模型来解决这个问题。但是时间序列数据往往呈现出非平稳、非线性和多维度等特点,单一的深度学习模型难以有效提取时间序列的深层特征,难以挖掘数据的内在特性和识别出数据间的潜在模式。
简介:摘要目的基于急性脑卒中弥散加权成像(diffusion weighted imaging,DWI)和液体衰减反转恢复序列(fluid attenuated inversion recovery,FLAIR)的影像组学特征,通过机器学习构建急性脑卒中发病时间的预测模型。材料与方法回顾性分析188例急性脑卒中患者的MRI图像。采用ITK-SNAP软件对DWI上高信号梗死区和FLAIR上对应的急性梗死区进行分割,并应用人工智能应用平台(artificial intelligent kit,A.K.)进行影像组学特征提取和降维,最终使用最小绝对收缩与选择算子算法(least absolute shrinkage and selection operator,LASSO)确定发病时间相关的最佳影像组学特征,通过支持向量机分类器评估其在发病时间预测中的价值,并与人工识别的结果进行比较。结果共筛选出10个(7个DWI特征及3个FLAIR特征)与卒中发病时间密切相关的影像组学特征。人工识别受试者操作特征(receiver operating characteristic,ROC)分析显示DWI-FLAIR不匹配预测急性脑卒中发病时间的曲线下面积(area under curve, AUC)为0.634,敏感度和特异度分别为0.667、0.622。ROC分析显示该模型预测训练集患者发病时间的AUC为0.975,敏感度和特异度分别为0.932、0.950;预测测试集患者发病时间的AUC为0.915,敏感度和特异度分别为0.868、0.852。结论基于DWI和FLAIR影像组学的机器学习,能够较为准确地预测急性脑卒中患者的发病时间,为临床静脉溶栓治疗的选择提供影像指导。