1 基本概念
1.1 定义与特征
序列数据是指按既定顺序排列的一组数据元素。其核心特征在于“顺序”具有意义，前后位置的变化往往会影响整体含义或分析结果。与独立同分布的静态样本不同，序列数据中的元素常常存在时间、空间或逻辑上的关联。
这类数据通常具有上下文依赖、非独立性和动态变化等特点。例如，同一组词语按不同顺序排列，表达的含义可能完全不同；同一段温度记录，若排列顺序被打乱，也难以反映真实变化过程。因此，序列数据的分析不仅关注单个元素本身，也重视元素之间的关系。
1.2 序列数据的构成
序列数据一般由元素、顺序和依赖关系共同构成。不同领域中的序列形式虽有差异，但都共享“按序组织信息”的基本结构。
1.2.1 元素与顺序
元素是序列的基本单位，可以是数值、符号、词语、帧图像或生物碱基等。顺序则决定这些元素出现的先后次序，并赋予序列以结构性意义。顺序一旦改变，序列可能就不再代表原来的对象或过程。
1.2.2 长度与间隔
序列的长度表示其中包含的元素数量。对于不同应用，序列长度可能固定，也可能可变。间隔则反映相邻元素之间的时间差、空间差或逻辑距离，间隔的变化有时会直接影响模型对序列的理解和预测效果。
1.2.3 依赖关系
序列中的元素并非彼此孤立，通常存在前后依赖、局部关联或长期关联。短期依赖体现为相邻元素之间的联系，长期依赖则表现为较远位置上的元素之间仍可能存在关联。这种依赖关系是序列建模的重点，也是其难点之一。
1.3 与其他数据类型的区别
序列数据与静态数据、集合数据和图数据在组织方式和分析重点上均有差异。
1.3.1 与静态数据的区别
静态数据通常只描述对象的某一时刻或某一状态，元素之间没有明显顺序要求；序列数据则强调变化过程和排列次序。前者更适合描述“是什么”，后者更适合描述“如何变化”或“先后发生了什么”。
1.3.2 与集合数据的区别
集合数据强调元素的无序性，元素之间不存在固定排列关系；序列数据则要求顺序不可随意交换。若将序列当作集合处理，往往会丢失关键上下文信息，导致分析失真。
1.3.3 与图数据的区别
图数据关注节点之间的连接关系，连接可以是任意方向和结构，不一定具有线性顺序；序列数据则通常沿单一方向展开。图结构更强调网络关系，序列结构更强调先后推进和链式依赖。
2 序列数据的类型
2.1 时间序列
时间序列是最常见的序列数据类型之一，按时间顺序记录变量的变化情况。其元素通常对应不同时间点或时间区间的观测值。
2.1.1 离散时间序列
离散时间序列在一系列分离的时间点上采样得到，例如按秒、分钟、日、月记录的数据。此类序列在实践中较为普遍，便于存储、比较和建模。
2.1.2 连续时间序列
连续时间序列描述变量在连续时间轴上的变化，更强调过程本身的连续性。实际应用中，连续时间数据常通过高频采样或事件记录近似表示。
2.2 文本序列
文本本质上是一种符号序列，词语、子词或字符按语法和语义顺序排列，形成可理解的语言表达。
2.2.1 词级序列
词级序列以词语为基本单位，适合处理句子、段落和文档层面的语言任务。该表示方式保留了较强的语义信息，但对分词质量较为敏感。
2.2.2 字符级序列
字符级序列将文本拆解为单个字符，粒度更细，适合处理拼写变化、未登录词或编码较复杂的语言材料。其优点是表达灵活，缺点是序列更长、建模难度更高。
2.3 多媒体序列
多媒体序列以时间推进或帧序展开，通常包含连续变化的感知信息。
2.3.1 音频序列
音频序列记录声波信号随时间的变化，可用于语音识别、音色分析和环境声音检测等任务。音频数据往往具有高采样率和较强的局部连续性。
2.3.2 视频序列
视频序列由一系列图像帧构成，同时包含空间信息和时间变化。相比单张图像，视频更强调动作、事件和场景演化。
2.4 生物序列
生物序列是生命科学中极为重要的数据形式，由生物分子按特定字母表排列而成。
2.4.1 DNA序列
DNA序列由四种碱基的排列组成，承载遗传信息。其研究常用于基因定位、变异分析和物种比较等场景。
2.4.2 RNA序列
RNA序列在遗传表达过程中扮演重要角色，常用于研究转录、调控和表达差异。与DNA相比，RNA序列更直接反映某些生物过程中的动态状态。
2.4.3 蛋白质序列
蛋白质序列由氨基酸按一定顺序组成，决定蛋白质的基本结构基础。其序列特征与功能、折叠方式及相互作用密切相关。
3 数据表示与编码
3.1 数值表示
为了便于计算，序列通常需要转换为机器可处理的数值形式。数值表示是序列分析的基础步骤之一。
3.1.1 向量化表示
向量化表示将每个元素映射为向量，使序列可被模型输入和运算。该方法便于统一处理不同类型的离散或连续元素。
3.1.2 矩阵表示
当序列包含多维特征或多个时间步时，常可表示为矩阵。矩阵形式有利于批量计算，也便于与深度学习模型衔接。
3.2 序列编码方法
编码方法的目标是将原始序列转换为更适合建模的表示，同时尽量保留结构和语义信息。
3.2.1 独热编码
独热编码用一个稀疏向量表示离散元素，每个类别对应一个唯一位置。它简单直观，但在类别较多时维度会迅速膨胀。
3.2.2 词嵌入表示
词嵌入通过学习将词语映射到低维稠密空间，使语义相近的元素在表示上更接近。该方法广泛用于文本和符号序列处理。
3.2.3 位置编码
位置编码用于向模型显式提供元素的顺序信息，弥补某些模型对位置不敏感的不足。它在处理顺序结构时具有重要作用。
3.3 长度处理
实际序列往往长短不一，模型输入却常要求统一长度，因此需要进行长度处理。
3.3.1 填充
填充是通过添加占位元素将短序列补齐到统一长度。这样便于批量训练，但需要注意避免填充信息干扰真实内容。
3.3.2 截断
截断是指将过长序列裁剪到指定长度。该方法能控制计算成本，但可能丢失后部或前部的重要信息。
3.3.3 采样
采样通过从原序列中选取部分片段或若干关键点来简化输入。它常用于长序列压缩、快速分析或资源受限场景。
4 数据预处理
4.1 清洗与去噪
序列数据在采集和传输过程中可能混入噪声、异常值或无效记录，因此预处理通常从清洗开始。
4.1.1 异常值处理
异常值可能来自设备故障、记录错误或偶发事件。处理方式包括删除、修正、替换或单独标记，以减少其对模型的干扰。
4.1.2 缺失值处理
缺失值常见于传感器中断、采样失败或记录不完整。处理方法包括插值、前向填充、后向填充和基于模型的估计等。
4.2 对齐与切分
序列分析中，不同来源的数据往往需要在统一时间基准或统一片段上进行比较。
4.2.1 时间对齐
时间对齐用于将多条序列映射到相同的时间轴，便于关联分析和联合建模。它在多传感器融合和多模态研究中尤为重要。
4.2.2 滑动窗口切分
滑动窗口切分是将长序列按固定窗口大小分段，并以一定步长滑动提取子序列。此方法常用于构建训练样本，也有助于捕捉局部模式。
4.3 归一化与标准化
不同序列的数值范围可能差异较大，直接建模容易导致训练不稳定，因此常需进行尺度调整。
4.3.1 Min-Max归一化
Min-Max归一化将数据缩放到预定区间，通常是0到1。该方法保留相对大小关系，适合需要统一数值范围的任务。
4.3.2 Z-score标准化
Z-score标准化以均值和标准差为基准，将数据转换为标准分布尺度附近的表示。它适合处理分布差异较明显的数据。
5 特征提取
5.1 统计特征
统计特征用于从整体上概括序列的分布和波动情况，是最基础的特征类型之一。
5.1.1 均值与方差
均值反映序列的中心水平，方差描述数据的离散程度。二者结合可初步刻画序列的整体趋势和稳定性。
5.1.2 峰度与偏度
峰度用于衡量分布的尖峭程度，偏度用于描述分布是否左右不对称。这些指标有助于揭示序列的形态特征。
5.2 时序特征
时序特征强调序列随时间变化的结构性规律。
5.2.1 趋势
趋势表示序列在较长时间范围内的总体上升、下降或平稳变化。识别趋势有助于判断长期演化方向。
5.2.2 季节性
季节性是指序列在固定周期内重复出现的模式，如日、周、月或季度规律。它常见于消费、气象和交通等领域。
5.2.3 周期性
周期性与季节性相近，但更强调严格重复的循环结构。实际数据中，周期性未必完全恒定，但通常具有可识别的重复特征。
5.3 语义特征
语义特征主要存在于文本和符号序列中，关注元素在上下文中的意义变化。
5.3.1 上下文信息
上下文信息指某个元素周围的前后内容。它决定了元素在具体语境中的含义，是理解语言序列的重要依据。
5.3.2 依存关系
依存关系描述序列中各部分之间的结构联系，尤其常见于句法分析。它帮助模型把握局部与全局的语义组织。
6 序列建模方法
6.1 传统方法
传统序列模型多依赖概率转移或状态之间的规则关系，结构清晰，解释性较强。
6.1.1 马尔可夫模型
马尔可夫模型假设当前状态主要由前一状态决定，强调局部转移规律。该方法适用于状态依赖较短、结构较明确的场景。
6.1.2 隐马尔可夫模型
隐马尔可夫模型在不可直接观测的隐状态基础上生成可观测序列，常用于序列标注和状态推断。它能够处理观测值与真实状态不完全一致的问题。
6.1.3 条件随机场
条件随机场是一类判别式序列建模方法，适合处理标注任务中的上下文依赖。它通常在整体层面优化序列标签的一致性。
6.2 统计学习方法
统计学习方法通过建立参数化公式来描述序列演化关系，常用于预测与解释分析。
6.2.1 自回归模型
自回归模型将当前值表示为过去若干时刻值的线性组合。它直观、易于分析，常用于平稳序列的建模。
6.2.2 移动平均模型
移动平均模型通过历史误差项来刻画当前观测值，强调随机扰动的累积影响。它有助于描述短期噪声结构。
6.2.3 ARIMA模型
ARIMA模型结合自回归、差分和移动平均三部分，能够处理带趋势的时间序列。它是经典的序列预测工具之一。
6.3 深度学习方法
深度学习方法通过多层网络自动学习序列中的复杂模式，尤其擅长捕捉非线性关系和长距离依赖。
6.3.1 循环神经网络
循环神经网络通过循环结构处理序列输入，适合逐步读取数据并维护状态信息。它是序列建模的重要基础模型。
6.3.2 长短期记忆网络
长短期记忆网络通过门控机制缓解普通循环网络的梯度问题，更适合学习较长时间跨度的依赖关系。
6.3.3 门控循环单元
门控循环单元在结构上较为简化，同样利用门控机制控制信息流动。它在保持建模能力的同时，通常具有较好的计算效率。
6.3.4 Transformer模型
Transformer模型主要依靠注意力机制建模序列关系，能够并行处理输入并捕捉远距离依赖。该模型已广泛用于文本、语音和多模态任务。
7 典型应用
7.1 预测分析
序列数据在预测任务中应用广泛，重点是利用历史变化推断未来状态。
7.1.1 股票与金融时间序列
金融时间序列反映价格、成交量和波动等随时间变化的特征，常用于趋势分析、风险评估和策略研究。由于噪声较强，这类任务通常难度较高。
7.1.2 需求预测
需求预测用于估计商品、服务或资源在未来一段时间内的使用量。它在库存管理、生产计划和供应链优化中具有重要价值。
7.1.3 气象预测
气象预测依赖温度、降水、气压、风速等连续观测序列，目标是推断未来天气变化。其结果受多因素影响，通常需要较强的时空建模能力。
7.2 自然语言处理
语言本身就是一种典型序列，因此自然语言处理与序列建模天然相关。
7.2.1 机器翻译
机器翻译需要将源语言序列转换为目标语言序列，并尽量保持语义一致。该任务强调跨语言的上下文映射与顺序重组。
7.2.2 文本生成
文本生成旨在根据给定提示或上下文产生连贯的语言序列。其难点在于兼顾语法正确性、语义一致性和内容多样性。
7.2.3 情感分析
情感分析通过识别文本中的情绪倾向来判断正面、负面或中性态度。它常依赖上下文关系，而非单个词语的孤立含义。
7.3 语音与视频处理
语音和视频都包含显著的时间连续性，是高维序列建模的重要对象。
7.3.1 语音识别
语音识别将声学序列转换为文字或符号序列，需要处理发音变化、停顿和背景噪声等问题。它是一类典型的多阶段序列映射任务。
7.3.2 动作识别
动作识别通过分析视频帧或传感器序列，判断人物或物体正在执行的行为。其关键在于捕捉动作随时间展开的模式。
7.4 生物信息学
生物序列分析帮助研究遗传信息、分子功能和结构关系，是生命科学的重要分支。
7.4.1 基因分析
基因分析常围绕序列比对、功能注释和变异识别展开。通过比较不同序列，可以发现保守区域和潜在生物学意义。
7.4.2 蛋白质结构相关任务
蛋白质结构相关任务关注序列如何影响空间折叠与功能表现。序列信息往往是推断结构与作用机制的基础输入。
8 评估与分析
8.1 常用评估指标
序列模型的评价指标会因任务类型不同而变化，分类、回归和预测任务通常采用不同标准。
8.1.1 准确率
准确率用于衡量预测结果中正确样本所占比例，常见于分类类序列任务。它直观易懂，但在类别不平衡时可能不够全面。
8.1.2 召回率
召回率反映模型对正类或目标事件的覆盖能力。它适合评估漏检成本较高的场景。
8.1.3 均方误差
均方误差用于衡量预测值与真实值之间的差异，常用于连续序列的回归和预测任务。其对较大误差较为敏感。
8.2 序列相似度
序列相似度用于衡量两个序列在内容和结构上的接近程度。
8.2.1 编辑距离
编辑距离表示将一个序列转换为另一个序列所需的最少编辑操作数。它广泛用于文本比较、拼写校正和生物序列分析。
8.2.2 动态时间规整
动态时间规整允许两个长度或速度不同的序列进行非线性对齐，以计算相似度。它常用于语音、动作和时间序列比较。
8.3 误差分析
误差分析有助于识别模型失败的原因，并为改进提供方向。
8.3.1 长依赖问题
长依赖问题指模型难以捕捉远距离元素之间的联系。该问题在长序列中尤为明显，常影响预测和理解效果。
8.3.2 数据漂移
数据漂移是指训练数据与实际应用数据的分布发生变化。对于序列任务而言，漂移可能来自时间变化、环境变化或采样机制改变。
9 可视化与展示
9.1 时序图
时序图通过坐标轴展示数据随时间的变化过程，是最常见的序列可视化方式之一。它便于观察趋势、波动和异常点。
9.2 序列热力图
序列热力图利用颜色深浅表示数值大小或强度差异，适合展示多维序列或局部模式。它能直观呈现密集变化区域。
9.3 对齐可视化
对齐可视化用于展示不同序列在匹配或映射过程中的对应关系。它常见于文本比对、时间对齐和路径分析。
9.4 交互式序列分析
交互式序列分析允许用户通过缩放、筛选、联动和高亮等方式探索数据。此类展示方式有助于发现局部细节和整体结构之间的联系。
10 相关概念
10.1 序列到序列学习
序列到序列学习是指输入一个序列并输出另一个序列的建模范式，常用于翻译、摘要和语音转换等任务。
10.2 序列标注
序列标注是为输入序列中的每个元素分配标签的任务，常用于词性标注、命名实体识别等场景。
10.3 序列生成
序列生成旨在按顺序生成新的数据序列，既可以是文本，也可以是符号、动作或信号序列。
10.4 序列检索
序列检索是从大型数据库中查找与给定序列相似或相关对象的过程，广泛用于文本搜索、生物比对和模式发现。