Task01. 时序数据与 PyPOTS 介绍

Task01. 时序数据与 PyPOTS 介绍

1. 时间序列数据介绍

时间序列（Time Series） 是指按照时间顺序排列的一组观测数据，通常以固定的时间间隔进行记录（如每秒、每小时、每天等）。每一个数据点不仅包含一个观测值，还伴随着一个时间戳。

️ 举例：

• 每天记录城市气温
• 每天股市的收盘价
• 每分钟记录用户的心率（智能手表）

与 i.i.d 数据的区别

• 时间序列具有时间依赖性
• “过去影响现在”，甚至“过去影响未来”

示例：

• 昨天下雨 → 今天湿度高
• 前几天行情波动 → 影响今天股市
• 运动后心率上升而不是瞬间变化

因此，时间序列需要专门的建模方法，如预测、分类、异常检测等。

---

1.1 时间序列数据的类型

类型	描述	示例
单变量时间序列	仅包含一个变量的取值	每日温度、股价、AQI
多变量时间序列	同一时间点多个变量	温度+湿度+压力；多支股票
等间隔 / 非等间隔	时间间隔是否规律	心跳 vs. 发帖时间
周期性 / 非周期性	是否有重复模式	每周气温 vs. 用户在线时间
趋势 / 无趋势	是否存在变化趋势	上升气温 vs. 随机行为
季节性 / 非季节性	是否特定周期有规律	每周变化 vs. 无规律
缺失值 / 完整数据	是否存在缺失记录	发帖记录 vs. 在线记录
静态 / 动态序列	数据是否变化	气象站数据 vs. 用户记录

---

1.2 常见时间序列数据示例

• 金融：股价、汇率、指数、交易量
• 医疗：ECG、EEG、血糖、ICU监测
• 环境：气象数据、污染物、地震、海啸
• 交通：车流量、出入站人数、共享单车
• 互联网行为：点击、搜索、停留时间
• 工业 IoT：设备温度、电流、压力
• 零售物流：销量、库存、运输轨迹
• 能源系统：发电量、用电量、智能电表
• 音频视频流：语音识别、行为分析
• 体育与人体数据：加速度、步频、肌电图

---

1.3 时间序列研究与应用方向

主要任务：

1. 预测（Forecasting）

• 目标：预测未来时间点值
• 方法：ARIMA, LSTM, Transformer, TimesNet
• 应用：电力负载预测、股价预测、疫情趋势

2. 分类（Classification）

• 目标：将序列分到不同类别
• 方法：1-NN+DTW, LSTM, InceptionTime, ROCKET
• 应用：心电图诊断、动作识别、兴趣推荐

3. 聚类（Clustering）

• 目标：无监督分组
• 方法：K-Means+DTW, TICC, Deep Temporal Clustering
• 应用：群体行为、气候分区、设备运行状态

4. 异常检测（Anomaly Detection）

• 目标：识别异常行为或故障
• 方法：AutoEncoder, GAN, GP, KLD
• 应用：信用卡欺诈、设备故障、网络攻击

5. 时间序列生成（Generation）

• 目标：生成相似序列
• 方法：TimeGAN, Diffusion Models
• 应用：合成医疗数据、数据增强

6. 插补（Imputation）

• 目标：填补缺失数据
• 方法：
  • 传统：前向/后向填充、线性插值
  • ML：BRITS、GRU-D、SAITS、CSDI、GRIN
  • 统计：KNN、EM、Kalman滤波
• 应用：ICU数据、气象监测、IoT设备、金融数据

预测 vs 插补：预测是推断未来；插补是填补历史/当前缺失。

---

2. PyPOTS 介绍

2.1 什么是 PyPOTS？

PyPOTS 是一个专门处理**部分观测时间序列（POTS）**的开源 Python 工具包，支持缺失值插补、预测、分类、聚类、异常检测等任务。

目标：

• 专注于 POTS 数据的建模
• 提供经典与先进算法
• 提供统一 API、学习指南和应用示例

---

2.2 PyPOTS 支持的核心任务

任务类型	支持算法数量	代表算法
缺失值填补	48+	SAITS, BRITS, GRU-D, BTTF
预测	13+	LSTM, Transformer, SAITS
分类	10+	GRU Classifier, TCN, RNN
聚类	4+	K-Means、AutoEncoder
异常检测	22+	Reconstruction, Transformer

---

具体任务详解：

1. 缺失值填补（Imputation）

• 传统方法：

  • 前向填充（Forward Fill）
  • 后向填充（Backward Fill）
  • 线性插值

• 深度学习方法：

  • SAITS（Transformer风格）
  • BRITS（双向RNN）
  • GRU-D（时间衰减机制）
  • MRNN、CSDI、Transformer-DAE

• 概率方法：

  • BTTF（贝叶斯时序张量分解）

2. 预测（Forecasting）

• 方式：
  • 先插补后预测（如 SAITS + LSTM）
  • 端到端预测模型（Transformer、GRU）

3. ️ 分类（Classification）

• 深度模型（RNN, Transformer）
• 可结合插补模块
• 支持多任务学习（分类+预测/插补）

4. 聚类（Clustering）

• 方式：
  • 插补后 + KMeans/DBSCAN
  • 表征学习 + 聚类（如 Transformer 编码器）
• 支持评估指标：
  • Silhouette Score、NMI

5. ⚠️ 异常检测（Anomaly Detection）

• 方法：
  • 插补 + 重建误差
  • 统计阈值法
  • Transformer 模型（可结合 CSDI）

---

✅ 总结

PyPOTS 是一个模块化、扩展性强的时间序列工具包，特别适用于存在缺失值的多变量时间序列数据分析场景。其支持的五大任务涵盖了时间序列挖掘中的主流应用，配合 Benchmark 工具箱和丰富模型库，为研究与工程实践提供了强有力的支持。