KDD2022时序AI教程：鲁棒时间序列分析与应用

"本次资源主要关注的是时序AI在时序信号分析中的应用，由阿里巴巴达摩院决策智能实验室提供，涵盖了时序模型的研究、稳健的时序处理模块以及相关应用实践。" 时序AI是一种专门处理时间序列数据的人工智能技术，它在诸如能源预测、云服务自动扩展（AIOps）等领域有着广泛的应用。时序信号分析是这一领域的核心，通过对时间序列数据的深入理解和处理，可以揭示数据背后的周期性、趋势和其他模式，进而用于预测、优化决策等任务。 在初步阶段，Liang Sun可能会介绍时序AI的基础概念，包括时间序列的基本属性、建模方法以及分析时序数据的重要性。这将涵盖时序数据的时间相关性、自回归模型（AR）、滑动窗口技术、移动平均（MA）等基础知识。 接着，Qingsong Wen将探讨时序处理的关键块。首先，时间序列周期性检测是识别数据中重复模式的过程，如日历效应、季节性等。这通常涉及傅立叶变换、自相关函数（ACF）和偏自相关函数（PACF）等统计方法。其次，时间序列趋势过滤旨在去除短期波动，提取长期趋势，可能采用局部加权回归（LOWESS）、指数平滑法等技术。然后，季节性和趋势分解（如STL分解）是另一种常见的分析工具，用于分离季节性、趋势和残差成分，以便于进一步分析。 时间序列相似性的讨论将集中在如何比较和匹配不同的时间序列，这对于异常检测和预测模型的训练至关重要。这可能涉及到动态时间规整（DTW）、欧几里得距离、余弦相似度等距离度量。 休息过后，教程将转向时序应用与实践，特别是预测任务，如能源需求预测，这在绿色能源管理中至关重要。此外，时间序列分析也可能用于优化问题，例如通过MindOpt求解器解决复杂问题。AIOps领域的应用，如云服务的自动扩缩容（AHPA），也依赖于准确的时序预测来提高效率和降低成本。 这个教程全面涵盖了时序AI的理论和实践，从基础到高级，为参与者提供了深入了解和应用时序分析的宝贵机会。无论是研究人员还是从业者，都能从中受益，提升在时间序列数据处理和分析方面的能力。