時序分析 相關 AI 術語

演算法交易是指利用電腦程式自動執行交易指令，根據預先設定的規則和模型，在金融市場上進行買賣操作。

異常偵測是指識別數據集中與預期模式顯著不同的數據點，這些異常點可能指示錯誤、欺詐或其他不尋常的事件。

ARIMA是一種廣泛使用的時間序列預測模型，結合了自迴歸、差分和移動平均三個部分，用於分析和預測時間序列資料。

一種深度學習技術，使模型能動態權衡時間序列中不同時間步的重要性，以捕捉長期依賴關係和關鍵模式。

行為預測是機器學習技術，透過分析歷史數據，識別模式，進而預測個體或群體的未來行為，應用於推薦、風險管理等。

比較不同時間點的影像，識別地表或物件狀態的變化，廣泛應用於監測。

概念漂移是指機器學習模型在部署後，由於資料分佈隨時間變化，導致模型預測準確度下降的現象。需要持續監控並重新訓練模型。

透過部署在廣大空間中的多個智慧感測器節點協同合作，收集並分析環境與系統狀態的分散式資料處理技術。

指數平滑法是一系列時序預測方法，使用加權平均數，其中權重隨著時間的推移呈指數衰減，更重視近期觀測值。

衡量時間序列預測結果的可靠性與波動範圍，反映未來事件的不可預測程度。

閘控循環單元（GRU）是一種循環神經網路（RNN）的變體，旨在解決傳統RNN的梯度消失問題，更有效地捕捉長期依賴關係。

LSTM的簡化版本，參數更少、訓練更快，在多數序列任務上性能相當。

霍克斯過程是一種自激發點過程，事件發生會增加未來事件發生的機率。常用於建模事件序列的相互影響，如金融交易、地震或社交媒體互動。

物聯網是將實體裝置透過網際網路相互連接，使其能收集並傳輸資料的技術架構，為智慧化應用提供資料基礎。

指時序資料裡跨度極大的長程關聯性，或資料集中呈現數量極少但種類繁多的極端不平衡長尾樣本分佈現象。

長短期記憶網路是一種改良的循環神經網路，透過門控機制來克服傳統 RNN 在長序列中容易遺忘的缺陷

長距離依賴指資料序列中相距遙遠元素的關聯。捕捉此關聯是模型理解長篇上下文的核心。

Mamba是一種基於選擇機制的序列模型，旨在解決Transformer在長序列建模上的效率瓶頸，透過硬體感知演算法提升運算速度。

一種在連續影像中偵測並識別多個移動物件，持續賦予穩定追蹤編號與軌跡預測的電腦視覺分析技術。

多步預測是一種時間序列分析技術，旨在同時或依序預測未來多個時間點的數值，而非僅單一未來點。

音樂生成是利用AI模型自動創作音樂，涵蓋旋律、和聲、節奏等多個方面，旨在模擬人類作曲過程。

卜瓦松分佈是一種離散機率分佈，描述在固定時間或地點內，事件發生的次數。其特點是事件發生是獨立且隨機的。

投資組合最佳化利用數學模型，在給定的風險承受度下，尋求最大化投資回報或在給定的回報目標下，最小化投資風險。

預測分析（Predictive Analytics）運用機器學習與統計模型，從歷史資料預測未來趨勢或事件機率，廣泛用於銷售預測、風險管理、客戶流失預防。

機率式預測是一種時間序列預測方法，它不僅提供單一的點預測，還提供未來值的完整機率分佈或置信區間，以量化預測的不確定性。

Prophet是由Facebook開發的時間序列預測模型，專為具有強烈季節性趨勢的商業時間序列資料設計，易於使用且具有良好的預測能力。

循環神經網路是一種具備「記憶」功能的神經網路，其能處理序列資料，並將前一步的輸出回饋至下一步

季節性分解是一種時序分析技術，將時間序列分解為趨勢、季節性、週期性和殘差等成分，以便更好地理解和預測資料。

識別時間序列資料中重複出現的週期性模式，如每日、每週或每年循環。

指將感測器收集的原始訊號，透過濾波、校正與特徵提取，轉化為AI模型可用的結構化數據。

金融情緒分析利用自然語言處理技術，分析新聞、社群媒體等文本數據，提取市場情緒，用於預測股價、風險管理和交易策略。

序列建模是深度學習領域處理具時間或順序依賴性資料的技術，旨在理解、預測或生成序列模式。

序列異常偵測是一種從具有時間或先後順序的資料中，找出不符合預期模式或異常行為的分析技術。

基於會話推薦利用使用者單次瀏覽會話內的行為序列，預測使用者下一步可能感興趣的項目，無需使用者歷史資料。

狀態機模型是一種計算模型，系統在任何給定時間都處於有限數量的狀態之一，並根據輸入在狀態之間轉換。

狀態空間模型是一種數學模型，用於描述系統隨時間演變的狀態。它包含狀態方程和觀測方程，廣泛應用於控制、預測和訊號處理。

使用擴張卷積取代遞迴層捕捉時序依賴的網路架構，支援高度並行化。

時序差分學習是一種強化學習方法，透過預測未來獎勵並更新預測值，從不完整的序列中學習，無需等待完整結果。

時序點過程是一種用於建模非連續事件發生時間的統計工具，特別適用於分析事件之間的時間依賴性與相互作用。

時間序列分析是研究按時間順序排列的數據點序列，以識別模式、趨勢和週期性，並預測未來值。

軌跡預測是基於實體歷史移動數據，推斷其未來路徑的技術，常見於自動駕駛、機器人導航等時序分析應用。

將Transformer架構應用於時序資料，利用自注意力捕捉時間依賴，在預測任務上取得優異成績。

將時間序列資料拆解為趨勢、季節性與殘差成分，以揭示其潛在模式。

一種時頻分析方法，通過不同尺度的小波函數分解信號，同時保留時間和頻率信息。