Базы данных для временных рядов

Презентация конференции DAMDID/RCDL 2015:

On time-series databases from Coldbeans Software

Сама статья: Namiot D. Time series databases // Аналитика и управление данными в областях с интенсивным использованием данных. — НИЯУ МИФИ Обнинск, 2015. — P. 244–250.

Машинное обучение и временные ряды

3 facts about time series forecasting that surprise experienced machine learning practitioners

См. также другие публикации по теме time series

Временные ряды в R и Python

Несколько полезных материалов по анализу временных рядов:

Using R for Time Series Analysis

Time Series Forecasting in Python and R

Forecasting: principles and practice

Streams Processing Language

Инструментарий для обработки потоков данных в реальном времени - IBM Streams Processing Language. С этим языком интегрирован Time Series Toolkit, который предназначен для обработки временных рядов.

Классикой в этой области является работа Michael Stonebraker - The 8 Requirements of Real-Time Stream Processing. Сравнительный анализ для SPL и других подобных языков есть, например, здесь.

Прогнозы для временных рядов

Лучшие практики по прогнозированию для временных рядов (Python, R)

См. также другие публикации по теме time series

Временные подсказки

Анализ временных рядов с помощью LLM. По сути - набор конкретных промптов. LLM-Powered Time-Series Analysis

См. также другие публикации, посвященные LLM

См. также другие материалы, посвященные подсказкам

Анализ временных рядов

Хорошая подборка: Time series in Python

Обработка временных рядов

Хороший практический пример анализа временных рядов на Python

См. также другие публикации по теме time series

Наборы данных

Для проверки алгоритмов: доступные наборы данных. Полезная коллекция ссылок. Например: Time Series Data Library

Без времени

Системы глубокого обучения, обрабатывающие временные и последовательные данные, все чаще используются в критически важных для безопасности приложениях, включая мониторинг состояния здоровья, автономную навигацию и алгоритмическую торговлю. Однако эти системы обладают серьезной уязвимостью к атакам со стороны злоумышленников — тщательно разработанным возмущениям, которые вызывают систематическую неправильную классификацию, оставаясь при этом незаметными. В данной статье представлен всесторонний систематический обзор атак со стороны злоумышленников на системы классификации временных рядов, распознавания активности человека (HAR) и обучения с подкреплением (RL), основанный на анализе 127 статей, опубликованных в период с 2019 по 2025 год, в соответствии с рекомендациями PRISMA с документированной межэкспертной надежностью (κ = 0,83). Мы устанавливаем единую четырехмерную таксономию, различающую характеристики атак в зависимости от целевых модальностей (носимые датчики IMU, датчики WiFi/радара, распознавание на основе скелета, медицинские/финансовые временные ряды и агенты RL), стратегий возмущения, временного диапазона и уровней физической реализуемости. Наш количественный анализ выявляет серьезные базовые уязвимости — атаки FGSM снижают точность HAR с 95,1% до 3,4% в условиях «белого ящика», — при этом демонстрируя, что переносимость между датчиками значительно варьируется от 0% до 80% в зависимости от расположения на теле и модальности. Критически важно, что мы выявляем существенный разрыв между показателями успешности цифровых атак (85–98%) и физически подтвержденных атак, при этом подтверждение с помощью аппаратного моделирования демонстрирует 70–97% успеха только для Wi-Fi и радаров, в то время как физические атаки с использованием носимых IMU остаются полностью неподтвержденными. Мы проводим систематический анализ механизмов защиты, включая обучение с использованием состязательных методов, подходы, основанные на обнаружении, сертифицированные средства защиты, и ансамблевые методы, предлагая структуру Temporal AutoAttack (T-AutoAttack) для стандартизированной оценки адаптивных атак. Наш анализ показывает, что существующие средства защиты демонстрируют снижение производительности на 6–23% при адаптивных атаках, при этом сертифицированные методы показывают наименьший разрыв, но приводят к снижению точности на 15–30%. Мы также выявляем новые уязвимости в архитектурах HAR на основе трансформеров и в системах прогнозирования временных рядов на основе LLM, которые требуют срочного внимания. Обзор завершается составлением приоритетной дорожной карты исследований, в которой определены восемь критических пробелов с указанием конкретных наборов данных, оценочных конвейеров и сроков внедрения. Мы предлагаем практические рекомендации по внедрению для специалистов в области носимых HAR, Wi-Fi/радарного зондирования, систем обучения с подкреплением и новых временных приложений на основе LLM. Эта работа предлагает первое унифицированное решение, объединяющее исследования временных рядов и состязательных систем обучения с подкреплением, закладывая основы для разработки надежных временных систем ИИ, пригодных для реального применения в критически важных областях безопасности. - Temporal Adversarial Attacks on Time Series and Reinforcement Learning Systems: A Systematic Survey, Taxonomy, and Benchmarking Roadmap

P.S. См. также другие публикации по теме adversarial, посвященные устойчивому машинному обучению

Базы данных временных рядов

Лекции в CMU - Time Series Database Lectures

Базы данных временных рядов

И снова о базах данных для временных рядов:

1. Catena - реализация на Go. Довольно подробное описание архитектуры. И дискуссия на YC

2. Требования к базам данных временных рядов. И интересная дискуссия с массой ссылок на YC.

См. также другие публикации по теме time series

MS Time Series

Облачные инструменты Майкрософт для анализа временных рядов

См. также другие материалы, посвященные временным рядам

Временные ряды в MapR

Презентация от MapR по time series data engineering

LLM и анализ временных рядов

Прогнозирование временных рядов в основном опирается на точное моделирование сложных взаимозависимостей и общих закономерностей в данных временных рядов. Недавние достижения, такие как пространственно-временные графовые нейронные сети (STGNN) и модели фундамента временных рядов (TSFM), продемонстрировали многообещающие результаты, эффективно фиксируя сложные пространственные и временные зависимости в различных реальных наборах данных. Однако эти модели обычно требуют больших объемов обучающих данных и часто испытывают трудности в сценариях с дефицитом данных. Чтобы устранить это ограничение, мы предлагаем фреймворк под названием «Пространственно-временные большие языковые модели с небольшим количеством снимков» (FSTLLM), направленный на повышение надежности модели и прогностической эффективности в условиях малого количества снимков. FSTLLM использует контекстные знания, встроенные в большие языковые модели (LLM), для обеспечения разумных и точных прогнозов. Кроме того, он поддерживает бесшовную интеграцию существующих моделей прогнозирования для дальнейшего повышения их предиктивных возможностей. Экспериментальные результаты на реальных наборах данных демонстрируют адаптивность и неизменно превосходящую производительность FSTLLM по сравнению с основными базовыми моделями со значительным отрывом. Наш код доступен по адресу: https://github.com/JIANGYUE61610306/FSTLLM - FSTLLM: Spatio-Temporal LLM for Few Shot Time Series Forecasting

См. также другие публикации, посвященные LLM

Базы данных для временных рядов

Полезная коллекция - Time-series databases

Аномалии временных рядов

Недавние достижения в технологии сбора данных, сопровождаемые постоянно растущим объемом и скоростью потоковой передачи данных, подчеркивают насущную необходимость в аналитике временных рядов. В этой связи обнаружение аномалий временных рядов стало важной деятельностью, влекущей за собой различные приложения в таких областях, как кибербезопасность, финансовые рынки, правоохранительные органы и здравоохранение. В то время как традиционная литература по обнаружению аномалий сосредоточена на статистических мерах, растущее число алгоритмов машинного обучения в последние годы требует структурированной общей характеристики методов исследования для обнаружения аномалий временных рядов. Этот обзор группирует и суммирует существующие решения по обнаружению аномалий в рамках таксономии, ориентированной на процесс, в контексте временных рядов. Помимо предоставления оригинальной категоризации методов обнаружения аномалий, мы также проводим метаанализ литературы и излагаем общие тенденции в исследованиях обнаружения аномалий временных рядов. - Dive into Time-Series Anomaly Detection: A Decade Review

В окне

Об использовании функции window в SQL:

Use window functions for time-series percentages

Timeseries Tips For Postgresql

Finding User Sessions with SQL

PostgreSQL: Window function

Вероятностные прогнозы для временных рядов

Прогнозирование является важнейшим компонентом бизнес-планирования в различных отраслях — от управления розничными запасами до анализа финансового рынка, от прогнозирования спроса на энергию до распределения маркетингового бюджета. Традиционно компании полагались на точечные прогнозы, которые дают единую оценку будущих значений. Хотя эти подходы могут работать достаточно хорошо в стабильных условиях, они часто не отражают присущую реальным системам неопределенность и могут приводить к неоптимальным решениям при столкновении с нестабильными или сложными средами.
Вероятностное прогнозирование устраняет эти ограничения, генерируя полные распределения вероятностей по возможным будущим результатам, а не одноточечные прогнозы. Этот сдвиг парадигмы предоставляет лицам, принимающим решения, более полное представление о потенциальных сценариях, что позволяет осуществлять надежное планирование, учитывающее риск и неопределенность. Благодаря недавним достижениям в области вычислительных методов и байесовской статистики эти сложные подходы становятся все более доступными для практиков. - Probabilistic Time Series Analysis: Opportunities and Applications

InfluxDB

Две презентации, посвященные Influx - Getting Started With Time Series Data и Discovering InfluxDB.

Другие публикации по обработке временных рядов