高维数据时间序列机器学习博士研究项目

【项目背景】 开发基于人工智能的方法论和架构，以提高金融、环境和医疗保健预测的准确性、增强数据可靠性并支持循证政策制定，已成为包括英国在内的许多国家的优先事项。本项目旨在为缺失值插补和高维数据预测提供新型时间序列机器学习（TSML）方法。

【研究内容】 该研究在离散值情形方面具有特别创新性，据我们所知，文献中缺乏此类研究。我们将从以下两个方面对高维时间序列建模展开研究：

（一）高维时间序列缺失数据插补 高维数据在金融、医疗保健和环境科学等领域十分常见。这些数据通常按时间顺序记录，形成高维时间序列数据集，例如多个地点的空气污染数据。但它们不可避免地包含缺失值，这阻碍了许多分析和统计方法的应用。因此，在模型开发之前，有效处理这些缺失值至关重要。在超高维设置下，填补缺失项对机器学习和统计方法提出了重大挑战。现有技术（如Obata等人（2024））仅适用于低维和连续值情形，而高维和/或离散值情形的研究近期需求迫切。在本项目中，组件之间的关系（即网络结构）和时间依赖性被联合用于获得准确的插补。我们将引入一个新颖的框架，通过具有大量节点的马尔可夫体制转换网络建模演化的相互相关性，通过状态空间公式（如Fan等人（2020））建模时间动态，通过因子模型进行降维。我们还将开发自激时空模型用于插补，假设插补数据遵循连续和离散分布的嵌套族，而不仅仅是正态分布。

（二）高维时间序列准确稳健预测的机器学习架构 对于插补后的数据，我们开发新的机器学习和统计模型用于高维时间序列预测。我们将开发与时间卷积网络和Transformer相关的深度学习模型，改进现有方法（如Fan等人（2020）、Obata等人（2024）），并通过基于Transformer的架构、因子模型（参考Liu等人（2025）、Pan和Yao（2008））以及概率和统计混合方法的最新进展将其扩展到高维和离散值情形。我们还提出动态不确定性量化，结合贝叶斯推断和分位数回归以增强稳健性并实现概率预测（参考Dvijotham等人（2023））。

【研究目标】 • 开发用于高维时间序列建模的机器学习架构，以提高预测的准确性和稳健性 • 以最小误差检测异常并插补高维时间序列中的缺失数据

【应用领域】 我们将通过预测、异常检测和决策支持方面的实际案例研究来验证所提出的模型。应用领域包括：跨互联市场的金融预测和风险建模；跨多个区域和大型医疗系统的公共卫生监测；以及跨区域的空气和水污染趋势分析。相关数据集将来自公共来源、工业合作伙伴和医疗合作者，以确保有足够的高维数据用于模型评估。

【预期成果】 （一）在顶级期刊和会议上发表论文；（二）用于插补和预测的开源时间序列AI模型；（三）针对选定应用的可部署原型。

【参考文献】 [1] Fan, J., Li, R., Zhang, C. H. and Zou, H. (2020). Statistical Foundations of Data Science, Taylor & Francis Group: CRC Press. [2] Obata, K., Kawabata, K., Matsubara, Y. and Sakurai, Y. (2024). Mining of switching sparse networks for missing value imputation in multivariate time series, Proceedings of the 30th ACM SIGKDD Conference on Knowledge Discovery and Data Mining, 2296-2306. [3] Liu, Y., Pan, J. & Xia, Q. (2025) Estimation of constrained factor models for high-dimensional time series, Journal of Forecasting. 44(4),1467-1477. [4] Pan, J. and Yao, Q. (2008). Modelling multiple time series via common factors, Biometrika, Vol.95, 365-379. [5] Dvijotham, K. et al. (2023). Enhancing the reliability and accuracy of AI-enabled diagnosis via complementarity-driven deferral to clinician, Nature Medicine, 29(7), 1814-1820.

博士决策报告：面向高维数据的新型时间序列机器学习方法论

---

快速决策概览

类别	评估
机构地位	强势 – QS #251 (2026)，苏格兰年度大学，约90%世界领先研究 (REF 2021)
导师匹配	优秀 – Pan博士（时间序列/GARCH）+ Chen教授（深度学习/反问题）与项目范围高度契合
资助状况	高风险 – 许多斯特拉斯克莱德大学 (University of Strathclyde) 博士机会无资助；需主动寻求外部奖学金
职业前景	积极 – 英国博士就业率>90%；70%转向业界；完善的专业发展框架
研究环境	很好 – 1,800+研究人员，94%指导满意度，跨学科中心可供使用
总体建议	值得申请 – 导师匹配度高且机构声誉上升，但必须主动落实资助

---

第一部分：机构与项目概览

大学概况

斯特拉斯克莱德大学 (University of Strathclyde)（格拉斯哥）是一所研究密集型机构，呈现强劲的上升态势：

• QS世界排名 2026： 全球第251位（较2025年上升30位），跻身英国前30名大学（来源：官网）
• 声誉认可： 被《泰晤士报与星期日泰晤士报优秀大学指南 2026》(The Times & Sunday Times Good University Guide 2026) 评为苏格兰年度大学及英国年度大学亚军（来源：官网）
• 研究质量 (REF 2021)： 近90%的研究被评为"世界领先"或"国际卓越"；在苏格兰拥有第二高的影响力质量档案（来源：官网）

数学与统计学系 (Department of Mathematics & Statistics)

指标	数值	背景
英国学科排名	第11位	数学与统计学（完整大学指南 2020）
明星教师	Xuerong Mao 教授	英国第5/全球第95位数学领域排名 (Research.com)
师生比	11.6:1	卫报大学指南 2025
教学卓越	Sergey Kitaev 教授	"最佳科学"奖，教学卓越奖 2025

研究主题包括：

• 工业应用数学
• 流行病学建模
• 随机分析
• 时间序列与统计方法

项目结构

• 学制： 标准3–3.5年
• 灵活选项： 为在职研究人员提供PhD@Work项目，可在行业工作期间进行研究（来源：官网）
• 专业发展： 博士生可获得研究者专业发展研究生证书，培养可迁移技能（来源：官网）

主要优势

• 三重认证商学院 (AMBA, EQUIS, AACSB) – 自2004年起苏格兰首个
• 四个学科进入QS世界百强，包括图书馆管理（并列第16位）和药学（第25位）
• 跨学科中心： 先进净零创新中心，健康政策中心

风险与注意事项

风险	应对措施
排名差异： QS #251 对比 THE 351–400区间	应按学科实力而非综合排名评估
学科排名过时： 英国第11位排名来自2020年	直接向院系核实2025/2026年排名
PhD@Work工作负荷平衡	申请前确认雇主支持

---

第二部分：导师分析

导师团队概览

本项目由一个互补型团队指导，横跨统计时间序列方法论与机器学习/深度学习应用：

导师	职称	主要专长
Jiazhu Pan 博士	高级讲师	时间序列分析、GARCH模型、贝叶斯分析
Ke Chen 教授	教授	反问题、深度学习、变分模型

---

Jiazhu Pan 博士 (Dr. Jiazhu Pan)

属性	详情
职称	数学与统计学高级讲师
院系	斯特拉斯克莱德大学 (University of Strathclyde)，格拉斯哥
公开档案	https://www.strath.ac.uk/staff/panjiazhudr/
ResearchGate	https://www.researchgate.net/profile/Jiazhu-Pan

研究重点与兴趣：

• 时间序列分析
• GARCH模型
• 贝叶斯分析
• 统计数据分析

学术背景：

• 在加入斯特拉斯克莱德大学之前，曾在北京大学和伦敦政治经济学院任职

近期代表性论文（近5年）：

1. Threshold network GARCH model (2024) – Journal of Time Series Analysis

指导相关性： Pan博士在GARCH模型和时间序列方法论方面的专业知识为拟议的高维时间序列研究提供了坚实的统计基础。

---

Ke Chen 教授 (Prof. Ke Chen)

属性	详情
职称	数学科学教授
院系	斯特拉斯克莱德大学（主聘）/ 利物浦大学 (University of Liverpool)（联聘）
公开档案	https://www.strath.ac.uk/staff/chenkeprofessor/
利物浦档案	https://www.liverpool.ac.uk/people/ke-chen
专业会士	IMA（数学及其应用研究所）会士，HEA会士

研究重点与兴趣：

• 反问题
• 高级成像分析
• 变分模型
• 深度学习应用

近期代表性论文（近5年）：

1. Graph-based inhomogeneity image segmentation with the optimal transport metric
2. A novel few-shot learning framework for supervised diffeomorphic registration

指导相关性： Chen教授在深度学习和变分模型方面的专业知识与Pan博士的统计背景形成互补，能够在机器学习与统计学交叉领域实现方法论创新。

---

⚠️ 关键身份核实

姓名歧义警示： 英国学术界存在两位名为"Ke Chen"的教授：

身份	机构	院系	邮箱域名
正确导师	斯特拉斯克莱德大学 (University of Strathclyde)	数学科学	@strath.ac.uk
不同人员	曼彻斯特大学 (University of Manchester)	计算机科学	@manchester.ac.uk

需采取行动： 在提交申请前，核实您联系的是斯特拉斯克莱德大学数学科学教授，而非曼彻斯特大学计算机科学教授。

---

指导质量指标

指标	数值	来源
学生满意度	94%认同导师具备必要技能	PRES 2021（官网）
论文时效性	确认2024–2025年活跃产出	教师档案
导师资历组合	高级讲师 + 教授	均衡指导配置

风险与注意事项

风险	行动
机构流动性： Chen教授同时关联利物浦大学和斯特拉斯克莱德大学	确认主要工作地点以便实验室使用和日常指导
影响力指标未公开： 档案片段中未见h-index/引用数	直接通过Google Scholar核实
资助可见性： 档案中无明确奖学金金额	需直接咨询

---

第三部分：财务支持与奖学金

生活成本估算（格拉斯哥）

支出类别	月度估算
住宿	£400–£700
食品与日用品	£200–£300
交通与水电	£150–£250
杂项	£150–£200
总计（不含学费）	£900–£1,450/月

来源：University Living估算

学费与收费政策

• 收费结构： 学费按年度收取，而非整个项目一次性收取
• 费用稳定性： 学年开始后，学费锁定且不会上涨（来源：官网）
• 政策背景： 当前政策适用于2025/26学年

资助可用性

资助类型	状态	备注
校内奖学金	有限	许多发布的机会标注"无资助"
CSC奖学金	可用	国家留学基金委为国际学生提供的合作项目
研究委员会	可能	许多职位需要外部政府拨款
RA/TA职位	10级薪资起薪**£23,742/年**	2025年12月费率（来源：HR）

⚠️ 资助现实核查

关键发现： 斯特拉斯克莱德大学发布的博士机会中有相当一部分无资助。申请人必须主动寻求外部政府拨款或研究委员会资助（来源：官网）。

建议： 申请前，向院系确认该项目是否已获得资助，或是否需要自行携带奖学金。

需调研的外部资助来源

• 国家留学基金委 (CSC) – 面向中国公民
• UKRI/EPSRC – 面向英国/本土学生
• 爱丁堡皇家学会 – 苏格兰特定机会
• 英联邦奖学金 – 面向英联邦国家公民

---

第四部分：职业成果与校友网络

英国博士就业格局

指标	数值	含义
博士就业率	3年内>90%	整体就业能力强
学术界留存率	约30%	70.1%转向业界/政府
STEM优势	全职就业率更高	数学/统计学博士定位良好

来源：Vitae 2022报告，HEPI 2020

斯特拉斯克莱德博士研究生院支持

资源	描述
研究者网络	来自80+国家的1,800+研究人员
职业使命	明确为商业、工业、政府和社会部门培养人才——不仅限于学术界
发展框架	Vitae研究者发展框架，助力专业成长
创业支持	"Strathclyde Inspire"支持博士毕业生探索创业
校友资源	毕业生可继续使用"Careers Toolkit"和"My Graduate Career"资源

时间序列/机器学习博士的职业路径

鉴于项目聚焦于高维时间序列机器学习方法论，可能的职业路径包括：

领域	示例职位
金融与金融科技	量化研究员、风险建模师、算法交易
科技行业	机器学习工程师、数据科学家、应用科学家
气候/气象	预测科学家（NSF资助领域增长中）
医疗健康	生物统计学家、流行病学建模师
学术界	博士后研究员、助理教授

风险与注意事项

风险	应对措施
学术市场饱和	70%离开学术界——从第一年起准备业界转型
薪资数据局限	一般毕业生数据（£27–30k）反映本科生；博士薪资因行业差异显著
资助资格	英国与国际学生学费不同；尽早已核实奖学金资格

---

第五部分：申请策略

申请前清单

步骤	行动	优先级
1	核实资助状态 – 邮件联系院系确认项目是否有资助或需要外部奖学金	关键
2	确认导师身份 – 确保联系斯特拉斯克莱德大学数学系的Ke Chen教授（@strath.ac.uk），而非曼彻斯特大学计算机科学教授	关键
3	阅读近期论文 – 审阅Pan博士2024年Threshold Network GARCH论文；Chen教授的few-shot学习研究	高
4	准备研究计划 – 与导师专长契合，同时解决当前方法论空白	高
5	确定资助来源 – 若校内资助不可用，准备CSC/UKRI申请	高

研究计划对齐策略

基于导师专长和领域趋势，建议强调：

主题	导师关联	领域相关性
高维GARCH扩展	Pan博士核心专长	尚未充分探索的方法论细分领域
时间序列Transformer架构	Chen教授深度学习背景	2023年后架构标准
金融时间序列可解释AI (XAI)	统计严谨性 + 机器学习可解释性	2024+发表优先方向
自监督对比学习	方法论创新	已建立的基线（TF-C, NeurIPS 2022）

联系邮件模板要点

联系导师时：

1. 展示熟悉度——引用其近期工作（为Pan博士引用2024年Threshold Network GARCH论文）
2. 尽早明确资助情况——询问项目是否附带奖学金
3. 提出初步研究方向——连接时间序列统计与现代机器学习
4. 附上CV和成绩单——展示量化/统计课程背景

时间节点考量

里程碑	典型截止日期
CSC奖学金申请	1月–3月（10月入学）
UKRI/EPSRC截止日期	因DTP而异；通常为1月
斯特拉斯克莱德校内截止日期	自费项目滚动录取；资助项目有特定日期
NeurIPS 2026研讨会	"大模型时代的时间序列"——对齐研究方向

需向院系咨询的关键问题

1. 该奖学金是否全额资助，还是需要我自行争取外部资助？
2. Chen教授目前的主要隶属机构是什么（用于指导目的）？
3. 是否有通过PhD@Work项目进行行业合作的机会？
4. 机器学习研究可使用哪些计算资源（GPU集群、HPC访问权限）？

---

总结评估

维度	评级	理由
机构	⭐⭐⭐⭐	排名上升，研究质量强，苏格兰年度大学
导师	⭐⭐⭐⭐⭐	优秀匹配——时间序列统计 + 深度学习的互补专长
资助	⭐⭐	主要关切——许多项目无资助；必须主动寻找奖学金
职业成果	⭐⭐⭐⭐	就业数据强劲；业界转型支持；创业路径
研究环境	⭐⭐⭐⭐	94%指导满意度；庞大博士群体；跨学科中心

最终建议： 这是一个高质量机会，导师在时间序列机器学习研究方面匹配度极佳。然而，资助不确定性是主要风险因素。申请人应立即确认资助状态，并准备竞争性外部奖学金申请作为后备。机构声誉上升和强有力的职业支持使其成为充分准备的候选人的值得争取的目标。