Buchumschlag

Evaluation of Machine and Deep Learning Techniques for Cyclone Trajectory Regression and Status Classification by Time Series Data

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Lo, Ethan Zachary, Lo, Dan Chie-Tien
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Exoplanet Detection Using Machine Learning Models Trained on Synthetic Light Curves
von: Lo, Ethan, et al.
Veröffentlicht: (2025)

Bridging Expert Knowledge with Deep Learning Techniques for Just-In-Time Defect Prediction
von: Zhou, Xin, et al.
Veröffentlicht: (2024)

PromptTSS: A Prompting-Based Approach for Interactive Multi-Granularity Time Series Segmentation
von: Chang, Ching, et al.
Veröffentlicht: (2025)

The Multiverse of Time Series Machine Learning: an Archive for Multivariate Time Series Classification
von: Middlehurst, Matthew, et al.
Veröffentlicht: (2026)

Look Into the LITE in Deep Learning for Time Series Classification
von: Ismail-Fawaz, Ali, et al.
Veröffentlicht: (2024)

MemPromptTSS: Persistent Prompt Memory for Iterative Multi-Granularity Time Series State Segmentation
von: Chang, Ching, et al.
Veröffentlicht: (2025)

Data Augmentation for Deep Learning Regression Tasks by Machine Learning Models
von: Shmuel, Assaf, et al.
Veröffentlicht: (2025)

On Learning Informative Trajectory Embeddings for Imitation, Classification and Regression
von: Ge, Zichang, et al.
Veröffentlicht: (2025)

Convolutional and Deep Learning based techniques for Time Series Ordinal Classification
von: Ayllón-Gavilán, Rafael, et al.
Veröffentlicht: (2023)

Addressing Challenges in Time Series Forecasting: A Comprehensive Comparison of Machine Learning Techniques
von: Mortezanejad, Seyedeh Azadeh Fallah, et al.
Veröffentlicht: (2025)

Comparative Analysis of Data Preprocessing Methods, Feature Selection Techniques and Machine Learning Models for Improved Classification and Regression Performance on Imbalanced Genetic Data
von: Kaur, Arshmeet, et al.
Veröffentlicht: (2024)

Time-Series Classification in Smart Manufacturing Systems: An Experimental Evaluation of State-of-the-Art Machine Learning Algorithms
von: Farahani, Mojtaba A., et al.
Veröffentlicht: (2023)

CAAP: Class-Dependent Automatic Data Augmentation Based On Adaptive Policies For Time Series
von: Chang, Tien-Yu, et al.
Veröffentlicht: (2024)

Efficient Sparse Training with Structured Dropout
von: Lo, Andy
Veröffentlicht: (2024)

Benchmarking Counterfactual Interpretability in Deep Learning Models for Time Series Classification
von: Kan, Ziwen, et al.
Veröffentlicht: (2024)

Symbolic Regression as Feature Engineering Method for Machine and Deep Learning Regression Tasks
von: Shmuel, Assaf, et al.
Veröffentlicht: (2023)

Music Genre Classification Using Machine Learning Techniques
von: Mishra, Alokit, et al.
Veröffentlicht: (2025)

Evaluating Machine Learning Approaches for ASCII Art Generation
von: Coumar, Sai, et al.
Veröffentlicht: (2025)

DETECT: Data-Driven Evaluation of Treatments Enabled by Classification Transformers
von: Mao, Yuanheng, et al.
Veröffentlicht: (2025)

The Impact of Feature Scaling In Machine Learning: Effects on Regression and Classification Tasks
von: Pinheiro, João Manoel Herrera, et al.
Veröffentlicht: (2025)

Counterfactual Explainable AI (XAI) Method for Deep Learning-Based Multivariate Time Series Classification
von: Cetina, Alan G. Paredes, et al.
Veröffentlicht: (2025)

How to Evaluate Uncertainty Estimates in Machine Learning for Regression?
von: Sluijterman, Laurens, et al.
Veröffentlicht: (2021)

Path Learning with Trajectory Advantage Regression
von: Miyaguchi, Kohei
Veröffentlicht: (2025)

Sparse Techniques for Regression in Deep Gaussian Processes
von: Latz, Jonas, et al.
Veröffentlicht: (2025)

Evaluating Fairness and Mitigating Bias in Machine Learning: A Novel Technique using Tensor Data and Bayesian Regression
von: Paxton, Kuniko, et al.
Veröffentlicht: (2025)

Differential Machine Learning for Time Series Prediction
von: Yadav, Akash, et al.
Veröffentlicht: (2025)

Data Augmentation for Multivariate Time Series Classification: An Experimental Study
von: Ilbert, Romain, et al.
Veröffentlicht: (2024)

Tailored Architectures for Time Series Forecasting: Evaluating Deep Learning Models on Gaussian Process-Generated Data
von: Hankemeier, Victoria, et al.
Veröffentlicht: (2025)

Rank Supervised Contrastive Learning for Time Series Classification
von: Ren, Qianying, et al.
Veröffentlicht: (2024)

Text2Freq: Learning Series Patterns from Text via Frequency Domain
von: Lo, Ming-Chih, et al.
Veröffentlicht: (2024)

Towards Explainable Deep Clustering for Time Series Data
von: Schlegel, Udo, et al.
Veröffentlicht: (2025)

CaReTS: A Multi-Task Framework Unifying Classification and Regression for Time Series Forecasting
von: Yao, Fulong, et al.
Veröffentlicht: (2025)

How do Machine Learning Models Change?
von: Castaño, Joel, et al.
Veröffentlicht: (2024)

Selective Learning for Deep Time Series Forecasting
von: Fu, Yisong, et al.
Veröffentlicht: (2025)

LLM4TS: Aligning Pre-Trained LLMs as Data-Efficient Time-Series Forecasters
von: Chang, Ching, et al.
Veröffentlicht: (2023)

AimTS: Augmented Series and Image Contrastive Learning for Time Series Classification
von: Chen, Yuxuan, et al.
Veröffentlicht: (2025)

Evaluating Simplification Algorithms for Interpretability of Time Series Classification
von: Håvardstun, Brigt, et al.
Veröffentlicht: (2025)

TimeDRL: Disentangled Representation Learning for Multivariate Time-Series
von: Chang, Ching, et al.
Veröffentlicht: (2023)

DeepFeatIoT: Unifying Deep Learned, Randomized, and LLM Features for Enhanced IoT Time Series Sensor Data Classification in Smart Industries
von: Inan, Muhammad Sakib Khan, et al.
Veröffentlicht: (2025)

Improving the Evaluation and Actionability of Explanation Methods for Multivariate Time Series Classification
von: Serramazza, Davide Italo, et al.
Veröffentlicht: (2024)