使用R包otsfeatures进行序数时间序列分析

​

Ordinal time series analysis with the R package otsfeatures

解决问题：该论文旨在解决对序数时间序列数据分析的不足，并提供一种简单的方法来提取统计特征和执行推断任务。这是一个相对较新的问题，因为对序数时间序列的研究相对较少。

关键思路：论文的关键思路是提供一个R包otsfeatures，其中包含了一组简单的函数来分析序数时间序列。该包中的函数能够提取一些常见的统计特征，并进行聚类、分类或异常检测等传统机器学习任务。相比当前领域的研究状况，该论文提供了一种特定的分析工具，以便更好地处理序数时间序列数据。

其他亮点：该论文的亮点之一是otsfeatures包含了两个金融时间序列数据集和三个有趣的合成数据库，这些数据集在文献中被用于聚类目的。此外，论文还提供了一些示例来说明如何使用otsfeatures包。该论文的工作值得进一步深入研究。

关于作者：主要作者Ángel López Oriona和José Antonio Vilar Fernández的亮点尚不清楚。他们所在的机构也没有提到。根据我的数据库，他们之前没有代表作。

相关研究：近期的相关研究包括“Forecasting of Financial Time Series Using Sparse Non-Negative Matrix Factorization”（作者：Yan Li，机构：University of Texas at Dallas）和“Multivariate Time Series Imputation with Generative Adversarial Networks”（作者：Zhilin Zhang等，机构：Massachusetts Institute of Technology）。

论文摘要：本文介绍了R包otsfeatures，该包提供了一组简单的函数来分析序数时间序列。虽然大多数关于时间序列的文献都涉及实值时间序列，但序数时间序列通常受到的关注较少。然而，针对后者的特定分析工具的发展在近年来已经大幅增加。otsfeatures试图为分析序数时间序列提供一组简单的函数。特别地，提供了几个命令，允许用户提取众所周知的统计特征和执行推断任务。几个函数的输出可以用于执行传统的机器学习任务，包括聚类、分类或异常检测。otsfeatures还包含了两个金融时间序列数据集，这些数据集在文献中用于聚类目的，以及三个有趣的合成数据库。本文描述了该包的主要属性，并通过几个例子说明了其用法。来自各种学科的研究人员都可以从otsfeatures提供的强大工具中受益。

​Read More