Matching correlated VAR time series
Ludwig-Maximilians-Universität München（慕尼黑大学）；Division of Mathematical Sciences, SPMS, NTU Singapore（南洋理工大学数学科学部）
研究匹配两个相关VAR时间序列数据库的问题，提出概率框架，通过线性分配估计器实现完美或部分恢复，并利用凸松弛高效求解。
2026-06-16 math.ST stat.ML stat.TH
Nonlinear Time Series Modeling: A Unified Perspective, Algorithm, and Application
本文提出了一种新的非线性时间序列分析和建模的综合方法。我们引入了新的数据特定的中间分布的勒让德多项式（LP）的原始时间序列Y（t），使我们能够适应所有现有的平稳线性高斯时间序列建模策略，并使其适用于非高斯和非线性过程中的鲁棒的方式。本文的重点是经验时间序列建模通过算法LPTime。我们使用1963年1月2日至2009年12月31日之间的标准普尔500指数日收益率数据证明了我们的理论框架的有效性。我们提出的LPTime算法系统地发现所有的“程式化的事实”的金融时间序列自动一次，这是以前注意到许多研究人员一次一个。
2017-12-24 math.ST stat.AP stat.ME
Modeling of Volatility with Non-linear Time Series Model
本文利用非线性时间序列模型来描述金融时间序列数据的波动性。为了描述波动性，将两个非线性时间序列组合成具有非对称条件异方差误差项的门限自回归模型（TAR），并对其参数估计进行了研究。
2014-07-03 math.PR math.ST q-fin.ST
Multi-fidelity surrogate modeling for time-series outputs
本文研究了当编码输出为时间序列时，在多保真度框架下对复杂数字编码的代理建模问题。通过对低、高保真码级的试验设计，提出了一种原始高斯过程回归方法。代码输出是在试验设计的基础上扩展的。代码输出的扩展的第一系数由协同克里金方法处理。最后的系数共同处理的克里金方法与协方差张量。由此产生的代理模型考虑到基础建设中的不确定性，具有更好的性能，在预测误差和不确定性量化比标准的降维技术。
2022-02-23 math.ST stat.TH
Warping and Matching Subsequences Between Time Series
Dept. of Computer Science, KU Leuven（卢森堡鲁文大学计算机科学系）
针对时间序列比较中缺乏定性结构分析的问题，本文提出一种简化扭曲路径的技术，以突出并可视化子序列间的偏移、压缩和振幅差异等关键变换，从而增强比较的可解释性。
2025-06-18 cs.AI cs.LG stat.ML
Trajectory Flow Matching with Applications to Clinical Time Series Modeling
McGill University（麦吉尔大学）；Mila - Quebec AI Institute（米拉-魁北克人工智能研究所）；Yale School of Medicine（耶鲁医学院）；School of Clinical Medicine, University of Cambridge（剑桥大学临床医学院）；Université de Montréal（蒙特利尔大学）；CIFAR（加拿大高级研究院）
本文提出轨迹流匹配（TFM）方法，以无仿真方式训练神经常微分方程，避免通过动力学反向传播，从而提升训练稳定性和可扩展性，并在三个临床时间序列数据集上取得更优的性能和不确定性预测。
2025-02-04 cs.AI cs.LG stat.ML
COPAR - Multivariate time series modeling using the COPula AutoRegressive model
多元时间序列分析是金融、经济等领域的一个常见问题。用于此目的的经典工具是向量自回归模型。然而，这些仅限于线性和对称依赖的建模。我们提出了一种新的基于Copula的模型，它允许非线性和非对称建模的串行以及系列之间的依赖关系。该模型充分利用了仅由二元连接函数建立的藤连接函数的灵活性。我们描述了新模型的统计推断技术，并在三个相关的应用中证明了它的实用性：我们分析了宏观经济指标的时间序列，电力负荷需求和债券投资组合的回报。
2012-04-04 stat.ME
A History Matching Approach for Calibrating Hydrological Models
水文时间序列模型的校准是一项具有挑战性的任务，因为这些模型提供了广泛的输出序列和校准程序需要大量的时间。从统计学的观点来看，该模型参数估计问题简化为找到生成预先指定的时间序列输出的计算机模型的逆解（即，现实输出系列）。在本文中，我们提出了一种改进的历史匹配方法来校准的时间序列的径流模型与实际数据收集从美国佐治亚州，美国。我们提出的方法，并说明了该算法的应用进行了模拟研究和两个案例研究。计算几个拟合优度统计量以评估模型性能。结果表明，基于Matlab/Simulink和SWAT模型的两个案例研究中，所提出的历史匹配算法的均方误差分别为30%和14%，峰值百分比阈值统计分别为26%和118%.
2019-03-25 stat.AP stat.CO
Parsimonious Modeling of Periodic Time Series Using Fourier and Wavelet Techniques
本文针对周期性金融时间序列中传统PGARCH和PACD模型参数过多的问题，提出基于傅里叶和小波的方法，构建更简约的模型并提升预测效率，通过模拟与数据分析验证其有效性。
2025-05-09 stat.ME
Translating biomarkers between multi-way time-series experiments
在多物种“组学”实验之间转换潜在的疾病生物标志物是生物医学研究的新方向。现有的方法仅限于简单的实验设置，如基本的健康-疾病比较。这些方法中的大多数还需要变量的先验匹配（例如，基因或代谢物）之间的差异。然而，许多实验具有复杂的多途径试验设计，通常涉及不规则采样的时间序列测量，并且例如代谢物并不总是具有生物体之间的已知匹配。我们介绍了一个贝叶斯建模框架之间的翻译多个物种的“组学”实验具有复杂的多路，时间序列试验设计的结果。潜在的假设是，未知的匹配可以从变量对包括时间在内的多个协变量的响应中推断出来。
2010-12-15 stat.ML
Time Series Modeling on Dynamic Networks
本文主要研究具有固定顶点数的动态网络的动态属性建模问题。这些属性被认为是时间序列，其依赖结构受到底层网络的影响。它们是由一个多变量双随机时间序列框架，即我们假设线性过程的系数矩阵是随机过程本身。我们明确允许系数矩阵的动态以及这两个随机过程之间的依赖。该框架允许对属性和底层网络进行单独建模。在这种情况下，我们定义网络自回归模型，并讨论其平稳性条件。此外，估计方法讨论了在低维和高维设置，以及如何将其应用于预测。有限样本行为的预测方法进行了研究。这种方法适用于实际数据，目标是预测33个经济体的国内生产总值。
2019-11-07 stat.ME
A Structural-Factor Approach to Modeling High-Dimensional Time Series and Space-Time Data
本文考虑了一种结构因子方法来建模高维时间序列和时空数据，通过将单个序列分解为趋势，季节和不规则分量。为了便于分析许多时间序列，我们采用时间多项式的趋势，三角级数的线性组合的季节性成分，和一个新的因子模型的不规则成分。新的因子模型可以简化建模过程，实现参数化的简约性。我们提出了一个贝叶斯信息准则（BIC）一致地确定多项式趋势的顺序和三角函数的数量。检验统计量用于确定公因子的数量。在时间序列的个数随着样本量的增大而趋于无穷大的条件下，给出了趋势分量、季节分量和检验统计量极限分布估计的收敛速度，但收敛速度较慢.我们使用模拟研究所提出的分析在有限样本的性能，并将所提出的方法应用到两个真实的例子。第一个例子考虑建模每周PM $_{2.5}$数据的15个监测站在台湾南部地区和第二个例子包括每月价值加权回报的12个工业投资组合。
2019-03-17 stat.ME
Foundations of Sequence-to-Sequence Modeling for Time Series
Google Research（谷歌研究院）；Massachusetts Institute of Technology（麻省理工学院）
大量时间序列数据的可用性，以及深度学习算法在广泛问题上的性能，最近引起了人们对使用序列到序列模型进行时间序列预测的极大兴趣。我们提供了这个时间序列预测框架的第一个理论分析。我们包括序列到序列建模与经典时间序列模型的比较，因此我们的理论可以作为从业者在不同建模方法之间选择的定量指南。
2019-02-26 cs.AI cs.LG stat.ML
Modeling Multivariate Positive-Valued Time Series Using R-INLA
在本文中，我们描述了快速贝叶斯统计分析的向量正值时间序列，有趣的金融数据流的应用。我们讨论了一个灵活的水平相关模型（LCM）的框架，建立向量正值时间序列的层次模型。LCM允许我们结合正值分量响应的边缘Γ分布，同时考虑潜在水平上分量之间的关联。我们通过R-INLA包使用集成嵌套拉普拉斯近似（INLA）进行快速近似贝叶斯建模，构建自定义函数来处理此设置。我们使用所提出的方法来模拟几个股票指数的已实现波动率之间的相互依赖关系。
2022-07-02 q-fin.CP q-fin.ST stat.ME
Emperical Study on Various Symmetric Distributions for Modeling Time Series
本研究针对含突变结构变化的时间序列建模评估多种对称分布，发现Pearson type VII和扩展Laplace模型通用性与可靠性更强，广义Laplace分布表现相近，混合模型潜力足但稳定性弱，模型选择需结合数据特征与目标。
2024-12-10 stat.CO stat.ME
Multivariate time-series modeling with generative neural networks
University of Waterloo（滑铁卢大学）
提出了一种基于生成矩匹配网络的多变量时间序列联合新息分布相关模型。针对MTS数据相关性建模的Copula-Gestival方法，提出了一种基于GMMN-Gestival方法的建模框架。首先，ARMA-GARCH模型被用来捕捉每个单变量边际时间序列内的序列相关性。其次，如果边缘时间序列的数量是大的，主成分分析（PCA）被用作降维步骤。最后，其余的横截面依赖性是通过GMMN建模，这项工作的主要贡献。GMMN是高度灵活的，易于模拟，这是一个主要的优势，copula-Gesthem方法。涉及收益率曲线建模和外汇汇率收益率分析的应用表明了GMMN-Gestern方法的实用性，特别是在产生更好的经验预测分布和做出更好的概率预测方面。
2021-10-01 cs.LG stat.ME stat.ML
Modeling Regime Shifts in Multiple Time Series
University of Sherbrooke（舍布鲁克大学）；University of Quebec at Montreal（魁北克大学蒙特利尔分校）
我们调查的问题，发现和建模政权转移的生态系统包括多个时间序列称为共同发展的时间序列。区系转换是指序列在不同时间间隔内表现出的变化行为。学习这些变化的行为是时间序列预测的关键一步。虽然已经取得了进展，但现有方法存在以下缺点中的一个或多个：（1）未能考虑时间序列之间的关系以发现多个时间序列中的状态;（2）缺乏对序列所表现出的时间依赖行为进行建模的有效方法;（3）难以处理可能是信息性的数据不连续性。现有的大多数方法无法在一个统一的框架内处理这三个问题。因此，这促使我们努力设计一个原则性的方法来建模相互作用和时间依赖性的共同发展的时间序列。具体来说，我们通过将大量的时间序列集合总结成一个更轻、更有意义的结构（称为\textit{mapping grid}）来对多个时间序列的生态系统进行建模。通过使用映射网格，我们的模型首先通过动态网络表示来学习时间序列行为依赖关系，然后通过完全时间依赖的Cox回归模型来学习状态转换机制。我们的方法的独创性在于在政权识别的时间序列之间的相互作用建模和建模时间依赖的政权转移概率，通常假设是静态的现有工作。
2022-05-13 cs.LG stat.ML
ST-MTM: Masked Time Series Modeling with Seasonal-Trend Decomposition for Time Series Forecasting
Ulsan National Institute of Science and Technology（乌山国立科学技术研究院）
ST-MTM提出基于季节-趋势分解的掩码时间序列建模框架，通过周期掩码和子序列掩码分别处理季节与趋势分量，并结合对比学习，在时间序列预测中取得优于现有方法的性能。
2025-06-13 cs.AI cs.LG stat.ML
Effective Bayesian Modeling of Groups of Related Count Time Series
计数的时间序列出现在各种预测应用中，传统的模型通常不适用于这些应用。本文介绍了一种分层贝叶斯公式适用于计数时间序列，可以很容易地解释变量和相关的时间序列组之间共享统计强度。我们推导出一个有效的近似推理技术，并说明其性能的数据集从供应链计划。
2014-05-15 stat.AP stat.ML
Modeling Multiple Irregularly Spaced Financial Time Series
本文通过修改规则间隔的随机波动率模型，提出了适用于不规则间隔金融时间序列的单变量及多元随机波动率模型，并利用 WRDS 的 TAQ 数据库中的医疗板块股票日内对数收益率进行了建模应用。
2023-05-24 stat.AP
Resampling Methods that Generate Time Series Data to Enable Sensitivity and Model Analysis in Energy Modeling
针对能源系统建模中时间序列数据的后解分析需求，提出两种高效非参数自举方法生成可信时间序列，还探索了序列扰动技术，所生成序列适用于鲁棒性等分析，且具跨领域应用潜力。
2025-02-12 stat.CO
Spliced Binned-Pareto Distribution for Robust Modeling of Heavy-tailed Time Series
AWS ProServe（亚马逊云科技专业服务）；Amazon Research（亚马逊研究院）
本文提出了一种新的方法，在非平稳的情况下，鲁棒和准确地建模具有重尾噪声的时间序列。在许多实际应用中，时间序列具有严重影响经典预测模型性能的重尾噪声;特别地，精确地建模极端事件的分布对于执行精确的时间序列异常检测至关重要。我们提出了一个拼接Binned-Pareto分布，它既对极端观测具有鲁棒性，又允许对全分布进行精确建模。我们的方法允许捕获的时间依赖性的高阶矩的分布，如尾部沉重。我们比较了我们的方法的尾部估计的鲁棒性和准确性，以其他国家的最先进的方法在Twitter上提到计数时间序列。
2022-07-29 cs.LG stat.CO stat.ML
PSO-MISMO Modeling Strategy for Multi-Step-Ahead Time Series Prediction
多步时间序列预测是时间序列建模与预测领域中最具挑战性的研究课题之一，一直处于研究之中。最近，多输入多输出（MISMO）建模策略已被提出作为一个有前途的替代多步提前时间序列预测，表现出的优势相比，目前的两个主要策略，迭代和直接的策略。建立在已建立的MISMO策略，本研究提出了一种基于粒子群优化（PSO）的MISMO建模策略，这是能够确定的子模型的数量在一个自适应的模式，具有不同的预测视野。而不是从已建立的MISMO中获得具有相等大小的预测范围的清晰划分，所提出的PSO-MISMO策略，用神经网络实现，采用启发式方法来创建具有不同大小的预测范围的灵活划分，并生成相应的子模型，在模型构建中提供了相当大的灵活性，这已经用模拟和真实数据集进行了验证。
2013-12-31 cs.AI cs.LG cs.NE
An Introductory Study on Time Series Modeling and Forecasting
时间序列建模与预测在各个实际领域都具有重要意义。近年来，国内外学者对这一课题进行了大量的研究。为了提高时间序列预测的准确性和有效性，文献中提出了许多重要的模型。本论文工作的目的是提出一个简明的描述，在实践中使用的一些流行的时间序列预测模型，其显着特点。在这篇论文中，我们描述了三种重要的时间序列模型，即随机模型、神经网络模型和支持向量机模型，以及它们固有的预测优点和缺点。我们还讨论了与时间序列建模相关的基本问题，如平稳性，简约性，过拟合等。我们对不同的时间序列模型的讨论是通过给出实验预测结果来支持的，在六个实时的序列数据集上进行。在将模型拟合到数据集时，要特别注意选择最简约的模型。为了评估预测的准确性，以及比较不同的模型拟合到一个时间序列，我们使用了五个性能指标，即MSE，MAD，RMSE，MAPE和Theil的U统计。对于六个数据集中的每一个，我们都显示了所获得的预测图，该图以图形方式描绘了原始观测值和预测观测值之间的接近程度。为了在我们关于时间序列建模和预测的讨论中具有真实性和清晰性，我们采取了来自知名期刊和一些标准书籍的各种已发表的研究作品的帮助。
2013-02-26 cs.LG stat.ML
Sines, steps and droplets: Semiparametric Bayesian modeling of arrival time series
我描述了正在进行的工作，发展贝叶斯方法灵活建模的到达时间序列数据，没有装箱，旨在提高检测和测量的X射线和伽玛射线暴，脉冲在伽马射线暴。该方法使用参数和半参数泊松点过程模型的事件率，并通过设计有密切的联系，目前在时域天文学中使用的传统的频率论方法。
2012-01-19 astro-ph.IM stat.AP
SDE Matching: Scalable and Simulation-Free Training of Latent Stochastic Differential Equations
University of Amsterdam（阿姆斯特丹大学）；Constructor University, Bremen（布雷梅构造大学）
本文提出SDE Matching，一种免仿真的Latent SDE训练新方法，通过扩展Score-和Flow Matching算法至随机动力学领域，消除了昂贵的数值仿真需求，在保持与伴随灵敏度方法相当性能的同时大幅降低了计算复杂度。
2025-06-26 cs.LG stat.ML
Does Restraining End Effect Matter in EMD-Based Modeling Framework for Time Series Prediction? Some Experimental Evidences
基于经验模式分解（EMD）的建模框架遵循“分解-集成”原则，被广泛应用于非线性和非平稳时间序列的建模和预测。在EMD的筛选过程中存在端点效应，它容易使分解后的子序列失真，影响建模过程，但在以往的研究中却被忽略了。针对端部效应问题，本研究提出将端部条件方法纳入基于EMD的分解和集成建模框架，用于一步和多步提前时间序列预测。四个完善的结束条件的方法，镜像方法，Coughlin的方法，基于斜率的方法，和Rato的方法，被选中，和支持向量回归（SVR）作为建模技术。为了论证和比较的目的，使用了著名的NN 3竞争数据集，并选择了四个成熟的预测模型作为基准。实验结果表明，提出的基于经验模态分解的支持向量回归机模型与末端条件方法可以实现显着的改善。特别是EMD-SBM-SVR模型和EMD-Rato-SVR模型，在预测措施的优度和竞争预测测试的准确性方面取得了最好的预测性能。
2014-01-11 cs.AI stat.AP
Towards Cross-Modality Modeling for Time Series Analytics: A Survey in the LLM Era
S-Lab, Nanyang Technological University, Singapore（南洋理工大学S实验室）；Aalborg University, Denmark（奥尔堡大学）；University of Cologne, Germany（科隆大学）；SenseTime Research, China（SenseTime研究院）
该综述系统梳理了LLM时代时间序列分析的跨模态建模方法，提出基于文本数据类型的四类分类法，总结对齐与融合等关键策略，并通过多模态实验验证有效组合，为未来研究指明方向。
2025-05-05 cs.LG stat.ML
Modeling of time series using random forests: theoretical developments
Columbia University（哥伦比亚大学）
本文在非线性时间序列建模的框架下研究了随机森林的渐近性质。虽然随机森林已成功地应用于各个领域，但尚未考虑在时间序列设置中使用随机森林的理论依据。在温和的条件下，我们证明了一个统一的集中不等式的回归树建立在非线性自回归过程，随后，我们用这个结果证明了一个大类的随机森林的一致性。各种模拟结果的支持。
2020-08-06 cs.LG math.ST stat.ME
