Moment bounds and mean squared prediction errors of long-memory time series
本文给出了具有任意未知记忆参数的一般自回归分数积分滑动平均（ARFIMA）模型的归一化条件平方和（CSS）估计的矩界.为了实现这一目标，建立了归一化目标函数的逆的统一矩界。这些结果的一个重要应用是建立CSS预测器的一步和多步均方预测误差（MSPE）的渐近表达式。这些渐近表达式不仅明确地展示了CSS预测器的多步MSPE如何与模型复杂性和依赖结构一起体现，而且还提供了比较CSS预测器与最小二乘（LS）预测器的性能的方法。结果表明，当积分阶数较高时，CSS预测器可以获得比LS预测器更大的优势。数值结果也进行了说明的理论结果。
2013-07-08 math.ST stat.TH
Fast rates in learning with dependent observations
在本文中，我们从统计学习的角度来解决时间序列预测中的快速率问题。在一系列论文中（例如Meir 2000，Modha和Masry 1998，Alquier和Win滕伯格2012），表明使用iid观测的学习理论中使用的主要工具可以扩展到时间序列的预测。这些文件的主要信息是，给定一个家庭的预测，我们能够建立一个新的预测，预测系列以及家庭中的最佳预测，其余的顺序$1/\sqrt{n}$。众所周知，这一比率一般无法提高。在本文中，我们表明，在特定的情况下，最小二乘损失，并在一个强有力的假设下的时间序列（φ混合）的剩余实际上是为了$1/n$。因此，对于均匀混合过程，第一次实现了iid变量（参见例如Tsybakov 2003）和单个序列（参见\cite{lugosi}）的最佳速率。我们还表明，我们的方法是最佳的聚集稀疏线性组合的预测。
2012-02-20 math.ST stat.TH
Linear Prediction of Long-Range Dependent Time Series
提出了两种长记忆时间序列的下一步线性预测方法。第一种是基于维纳-柯尔莫哥洛夫预测器的截断，通过将观测限制到最后的$k$项，这是实践中唯一可用的值。均方预测误差的一部分来自截断，另一部分来自预测器参数的参数估计。相比之下，第二种方法是非参数的。对长记忆时间序列建立了AR（$k$）模型，并研究了该模型的误差。
2007-03-13 math.ST stat.TH
Prediction of time series by statistical learning: general losses and fast rates
我们建立了时间序列预测的收敛速度，使用基于Oracle不等式的统计学习方法。一系列的论文将iid观测值的oracle不等式推广到弱相依条件下的时间序列。给定一个预测子族和$n$观测值，预言不等式表明预测子预测序列以及族中最好的预测子直到剩余项$Δ_n$。利用PAC-Bayesian方法，在弱相依条件下建立了具有最优收敛速度的预言不等式。我们将以前的结果的绝对损失函数的任何Lipschitz损失函数率$Δ_n\sim\sqrt{c(Θ)/ n}$其中$c(Θ)$措施的模型的复杂性。本文应用分位数损失函数方法对法国GDP进行预测。在损失函数（由平方损失函数满足）和时间序列的附加条件下，我们改进了收敛到$Δ_n \sim c(Θ)/n$的速度。我们实现了第一次均匀混合过程的这些快速速率。已知这些速率在iid情况下和对于单个序列是最优的。特别是，我们推广的结果Dalalyan和Tsybakov稀疏回归估计的情况下，自回归。
2012-11-08 math.ST stat.TH
Time Series Forecasting with Many Predictors
提出GO-sdPCA方法，结合组正交贪婪算法、高维AIC、剥离技术和sdPCA进行多预测变量时间序列预测，模拟与实证均显示优异性能。
2024-06-13 stat.ME
Prediction in locally stationary time series
我们开发了一个估计的高维协方差阵的局部平稳过程的平稳变化的趋势，并使用此统计量来获得一致的预测非平稳时间序列。与目前可用的方法相比，这个问题的预测不依赖于拟合自回归模型，不需要消失的趋势。新方法的有限样本性质说明了通过模拟研究和金融指数的研究。
2020-01-04 econ.EM math.ST stat.ME
A simple randomized algorithm for sequential prediction of ergodic time series
我们提出了一个简单的随机过程的预测的二进制序列。该算法使用的想法，从最近的发展理论的预测个别序列。我们表明，如果序列是一个实现的平稳和遍历的随机过程，然后平均错误数收敛，几乎可以肯定，最佳的贝叶斯预测。期望的有限样本性质的预测器说明其性能的马尔可夫过程。在这种情况下，即使不知道马尔可夫过程的阶数，预测器也表现出接近最优的行为。还考虑了具有边信息的预测。
2008-05-20 cs.IT math.IT math.ST
Spectral methods for small sample time series: A complete periodogram approach
周期图是分析二阶平稳时间序列的常用工具。周期图的一个吸引人的特征是周期图的期望近似等于时间序列的潜在谱密度。然而，这只是一个近似值，众所周知，周期图具有有限的样本偏差，这在小样本中可能很严重。在本文中，我们表明，偏差的出现，因为在一个离散的傅里叶变换，这是用于建设的周期图的观察有限的边界。此外，我们表明，通过使用最好的线性预测的时间序列的边界上的观察，我们可以得到一个“完整的周期图”，这是一个无偏估计的谱密度。在实践中，“完整的周期图”不能被评估，因为最好的线性预测是未知的。我们提出了一种估计最佳线性预测的方法，并证明了由此产生的“估计完整的周期图”有一个较小的偏差比定期的周期图。估计的完整周期图和它的锥形版本被用来估计参数，这可以表示在积分谱密度方面。我们证明，由此产生的估计有一个较小的偏差比他们的定期周期图同行。所提出的方法与模拟和实际数据说明。
2020-10-31 math.ST stat.TH
In-context Time Series Predictor
Georgia Institute of Technology（佐治亚理工学院）
本文提出一种基于上下文的时间序列预测方法，通过将时间序列预测任务转化为输入标记，提高了参数效率并减少了过拟合问题。
2026-02-05 cs.AI cs.CL cs.LG
Neural CDEs as Correctors for Learned Time Series Models
Department of Mechanical Engineering（机械工程系）；Iowa State University（爱荷华州立大学）；Sibley School of Mechanical and Aerospace Engineering（机械与航空航天工程学院）；Cornell University（康奈尔大学）
本文提出了一种预测-校正框架，利用神经控制微分方程校正时间序列预测误差，通过正则化策略提升性能并保证稳定性，实验显示其在多种预测器上均能提升预报效果。
2026-05-08 cs.LG stat.ML
Explicit representation of finite predictor coefficients and its applications
我们考虑平稳时间序列的有限过去预测系数，并建立一个明确的表示，他们的MA和AR系数。证明是基于与无限的过去和无限的未来相关的投影算子的交替应用。将所得结果应用于长记忆过程，给出了有限预报系数的收敛速率，并证明了一个非线性不等式。
2006-07-03 math.PR math.ST stat.TH
Estimation error for blind Gaussian time series prediction
我们解决的问题的盲预测的高斯时间序列。为此，我们构建了一个投影算子，通过将经验协方差估计插入投影仪的Schur补分解来构建。然后使用该运算符计算预测值。给出了估计的收敛速度。
2011-07-05 math.ST stat.ME stat.TH
On the optimal prediction of extreme events in heavy-tailed time series with applications to solar flare forecasting
该研究建立了重尾等时间序列极端事件最优预测的Neyman-Pearson型理论框架，证明了经验预测器的渐近最优性并给出重尾模型的预测精度界，将方法应用于太阳软X射线通量序列，验证了长记忆及FARIMA模型在耀斑预报中的效果与局限。
2025-01-16 math.ST stat.AP stat.ME
Universal time-series forecasting with mixture predictors
Antsiranana, 2019（安蒂斯里亚纳，2019）
本书研究序列概率预测中的混合预测器，证明其在一般概率设置下的普适性并指出局限，面向研究生和研究人员，理论性强。
2025-04-19 cs.AI cs.IT cs.LG
Optimal model-free prediction from multivariate time series
从多变量预测器预测时间序列构成了一个具有挑战性的问题，特别是使用无模型方法。大多数技术，如最近邻预测，很快遭受灾难的维数和过拟合的预测，这限制了他们的应用主要是单变量的情况下。因此，需要尽可能有效地利用现有信息的选择策略。由于预测因子的正确组合通常很重要，因此理想情况下，应该测试所有可能的预测因子子集的预测能力，但组合数量的指数增长使得这种方法在计算上难以实现。在这里，利用因果预选步骤引入了克服这种强限制的预测方案，该步骤将可能的预测因子的数量大幅减少到最具预测性的因果驱动器集合，从而使得全局最优搜索方案易于处理。信息理论的最优性推导和实际的选择标准进行了讨论。对于多变量非线性随机延迟过程，最优方案甚至可以比常用的次优方案（如前向选择）在计算上更便宜。该方法提出了一个通用框架，用于应用最佳无模型方法来选择变量，并随后拟合模型以进一步改进预测或学习统计依赖性。这一框架的性能说明了厄尔尼诺南方涛动的气候指数。
2015-06-18 stat.ME stat.ML
Predictive inference for time series: why is split conformal effective despite temporal dependence?
Department of Statistics, University of Chicago（芝加哥大学统计系）；Schools of Industrial and Systems Engineering and Electrical and Computer Engineering, Georgia Tech（佐治亚理工学院工业与系统工程及电气与计算机工程学院）
本文研究了时间序列中分裂置信预测的有效性，通过引入切换系数量化时间依赖性对交换性假设的违反程度，揭示了预测区间覆盖概率的理论性质。
2026-01-10 cs.LG math.ST stat.ML
On the asymptotic behavior of a finite section of the optimal causal filter
本文研究最优因果滤波器有限样本近似的渐近行为，通过精确系数表达式与一致 Baxter 不等式建立短/长记忆二阶平稳时间序列下的 $L_1$ 误差界，用于均方误差预测性能评估。
2023-12-11 math.ST stat.TH
On model selection for scalable time series forecasting in transport networks
交通文献是密集的短期交通预测，高达1小时的规模，但不太密集的长期交通预测。在城市规模的交通预测方面，交通文献也很少，主要是因为数据可用性低。在这项工作中，我们报告了一项努力，以调查深度学习模型是否可以用于长期的大规模流量预测任务，同时专注于模型的可扩展性。我们调查了一个城市规模的交通数据集，在加利福尼亚州洛杉矶的超级中心，每15分钟收集1098个路段的14周的速度观测。我们研究了各种最先进的机器学习和深度学习预测器，用于基于链接的预测，并研究了这些预测器如何通过聚类和图形卷积方法扩展到更大的区域。我们讨论了将时间和空间特征建模为深度学习预测器可能有助于长期预测，而更简单的，而不是基于深度学习的预测器，对于基于链接的预测和短期预测可以实现非常令人满意的性能。不仅在预测精度与预测范围方面，而且在训练时间和模型大小方面讨论了权衡。
2021-02-18 cs.LG stat.ML
Sliced Average Variance Estimation for Multivariate Time Series
时间序列的监督降维是具有挑战性的，因为在响应$y$和预测器$\boldsymbol x$之间可能存在时间依赖性。最近，一个时间序列版本的切片逆回归，TSIR，建议，它适用于几个监督滞后协方差阵的近似联合对角化考虑的时间性质的数据。在本文中，我们进一步发展这一概念，并提出了一个时间序列版本的切片平均方差估计，TSAVE。由于TSIR和TSAVE都有各自的优点和缺点，我们进一步考虑TSIR和TSAVE的混合版本。基于实例和模拟，我们证明和评估这三种方法之间的差异，并表明，他们是优越的，适用于他们的iid对应时，也使用滞后值的解释变量作为预测。
2018-10-05 stat.ME
Matrix Autoregressive Model with Vector Time Series Covariates for Spatio-Temporal Data
针对静态二维空间网格矩阵时间序列与非空间向量辅助序列的预测问题，提出MARAC模型，结合双线性变换自回归分量与RKHS平滑张量辅助分量，通过惩罚极大似然估计与交替最小化求解，在模拟及全球TEC预测中验证了性能。
2025-09-24 stat.ME
Prediction of Dynamical time Series Using Kernel Based Regression and Smooth Splines
University of Michigan（密歇根大学）
利用支持向量机或基于核函数的回归方法对含有加性噪声的动态时间序列进行预测，已证明对某些离散动态系统是一致的。一致性意味着这些方法在计算给定当前坐标的未来时间点的期望值时是有效的。然而，目前的坐标本身是有噪声的，因此，这些方法在去除噪声方面不一定有效。在这篇文章中，我们认为去噪和预测作为单独的问题，流，而不是离散时间动力系统，并表明使用光滑样条是更有效地消除噪声。平滑样条和基于核的回归的组合产生的预测器在基准上通常更准确，通常是2倍或更多。我们证明了基于核的回归结合光滑样条收敛到精确的预测时间序列从任何足够光滑的流的任何紧凑的不变集。作为收敛的结果，可以找到基于核的回归与平滑样条的组合甚至优于$100$的因子的示例。我们计算的预测器对延迟坐标数据而不是通常不可观测的完整状态向量进行操作。
2018-06-20 cs.LG stat.ML
Hyperbolic decay time series
双曲衰减时间序列，如分数高斯噪声（FGN）或分数自回归移动平均（FARMA）过程，每一个都表现出两种不同类型的行为：强持续性或反持续性。Beran（1994）刻画了强持续时间序列族。本文介绍了一类更一般的双曲衰减时间序列，并用自协方差函数和谱密度函数描述了它的基本性质。随机冲击和倒置形式表示推导。证明了强持续级数是反持续级数的对偶，反之亦然。证明了具有单位新息方差的双曲衰减时间序列的渐近广义方差是无穷大的，这意味着当$k$变大时，利用最后一个$k$观测值的最小均方误差一步线性预测器的方差缓慢衰减到新息方差.
2016-11-02 math.ST stat.TH
A consistent deterministic regression tree for non-parametric prediction of time series
EDF R&D（法国电力研发中心）；GREGHEC (HEC Paris, CNRS)（GREGHEC（巴黎高等商学院、法国国家科学研究中心））；Inria（法国国家信息与自动化研究所）
我们研究有界平稳遍历过程的在线预测。要做到这一点，我们考虑设置的预测个别序列，并建立一个确定性的回归树，执行渐近以及最好的L-Lipschitz常数预测。然后，我们证明了为什么所得到的遗憾界需要关于有界平稳遍历过程类的渐近最优性。
2014-05-08 cs.LG math.ST stat.ML
Sequential Quantile Prediction of Time Series
受广泛的潜在应用的启发，我们解决了实值时间序列的分位数预测问题。我们提出了一个序贯分位数预测模型的基础上组合的一组基本最近邻型预测称为“专家”，并显示其一致性的最低条件下。我们的方法建立在近年来开发的方法预测的个别序列，并利用分位数结构作为一个最小的所谓的弹球损失函数。我们对真实世界的数据集进行了深入的分析，并表明这种非参数策略通常优于标准分位数预测方法
2010-05-31 math.ST stat.ME stat.TH
A High Dimensional Wild Bootstrap Max-Test for Detecting the Presence of Significant Predictors
University of North Carolina, Chapel Hill（北卡罗来纳大学教堂山分校）
本文提出一种块自助最大检验方法，用于高维设置中检测显著预测变量，适用于弱依赖和异质数据。方法不依赖协方差矩阵估计和自适应重采样，通过最大统计量处理大量参数，有效控制检验大小并应对多种非零假设情况。
2026-11-09 math.ST stat.TH
Forecasting under model uncertainty:Non-homogeneous hidden Markov models with Polya-Gamma data augmentation
本文研究了两状态非齐次隐马尔可夫模型（NHHMM）对单变量时间序列的预测。给定一组预测因子，时间序列通过具有状态相关系数和时变转移概率的预测回归来建模，所述时变转移概率通过逻辑函数依赖于预测因子。在隐马尔可夫设置中，逻辑斯谛回归系数的推断变得复杂，并且在某些情况下由于收敛问题而不可能。在本文中，我们的目标是解决这个问题，使用一个新的潜变量计划，利用Pólya-Gamma类的分布。我们允许模型的不确定性的预测，影响系列线性-在平均值-和非线性-在过渡矩阵。预测器的选择和推断的模型参数的基础上的MCMC计划与可逆的跳跃步骤。单步和多步预测是通过最可能的模型，中位数概率模型或贝叶斯模型平均方法获得的。使用模拟实验，我们说明了我们的算法在各种设置的性能，在混合属性，模型选择和预测能力。对已实现波动率数据的实证研究表明，我们的方法提供了改进的预测相比，基准模型。
2019-07-30 stat.ME
Grand canonical minority game as a sign predictor
在本文中，少数者博弈（MG）的扩展模型，纳入变量数量的代理商，因此被称为大典，用于预测。我们证明了最好的基于MG的预测器是由一个非常退化的系统，当只有一个代理参与。如果智能体配备了全策略空间中的所有策略，则预测是最有效的。这些过滤器中的每一个都被评估，并且在每一步中，选择最好的一个。尽管该方法简单，但在许多情况下，包括实际问题中，它的有用性是无价的。如果使用λ-GCMG修正，则该方法的显著能力在于其快速自适应能力。预测的成功率对正确设置的记忆长度很敏感。我们考虑了少数和多数游戏预测的可行性。当考虑自生时间序列时，这两个博弈由不同的动力学驱动。当反馈效应被移除并且施加外源信号时，这两种动力学趋于相同。
2013-09-13 math.ST q-fin.TR stat.AP
Forecast collapse of transformer-based models under squared loss in financial time series
Institut Denis Poisson, UMR C.N.R.S. 7013, France（法国国家科学研究中心7013联合研究单位丹尼斯·泊松研究所）
研究了弱条件结构时间序列下基于平方损失的轨迹预测，指出高表达模型在条件期望退化时导致预测波动，验证了变换器模型在金融时间序列中的预测性能下降。
2026-03-31 cs.LG math.PR math.ST
Dynamic Function-on-Scalars Regression
我们开发了一个动态函数标量回归的建模框架，其中一个时间序列的功能数据回归的时间序列的标量预测。允许每个预测因子的回归系数函数是动态的，这对于预测因子和（功能）响应之间的关联是时变的应用是必不可少的。为了更大的建模灵活性，我们设计了一个非参数降秩函数数据模型与未知的功能基扩展，这是数据自适应，不像大多数现有的方法，建模为未知的适当的不确定性量化。在贝叶斯框架内，我们引入收缩先验，同时（i）正则化随时间变化的回归系数函数是局部静态的，（ii）有效地从模型中删除不重要的预测变量，（iii）降低灵敏度的功能基础的维度。模拟分析证实了这些收缩先验的重要性，与现有的替代品有显着的改善。我们开发了一种新的基于投影的吉布斯抽样算法，它提供了无与伦比的计算可扩展性完全贝叶斯函数回归。我们应用所提出的方法（i）分析宏观经济变量对美国收益率曲线的时变影响，（ii）描述社会经济和人口预测因素对南亚和东南亚特定年龄生育率的影响。
2018-10-24 stat.ME
Uniform moment bounds of Fisher's information with applications to time series
本文建立了Fisher信息矩阵的逆矩阵在参数空间上的一致矩界。这个结果，然后应用于开发的（非线性）随机回归模型的归一化最小二乘估计的矩界。使用时间序列模型说明这些结果的有用性。特别地，得到了自回归滑动平均模型中最小二乘预报器均方预报误差的渐近表达式。该渐近表达式为某些模型选择准则提供了坚实的理论基础。
2012-11-21 math.ST stat.TH
Short-term prediction of Time Series based on bounding techniques
Escuela Técnica Superior de Ingeniería（高等技术工程学院）；Universidad de Huelva（韦尔瓦大学）
本文在时间序列框架下，用一种新的非参数方法重新考虑预测问题。通过这种重新考虑，预测是通过过去的观测数据的加权和获得的。这些权重通过求解使预测误差的外边界最小化的约束线性优化问题来获得。该方法的创新之处在于同时考虑了确定性和随机性假设，以获得预测误差的上界，并通过调整参数来平衡这些确定性和随机性假设，以提高预测器的性能。一个基准测试结果表明，所提出的预测器可以得到合适的结果，在预测方案，可以是一个有趣的替代方法，经典的非参数方法。此外，它是如何显示该模型可以优于现有的在短期预测。
2021-01-26 cs.LG stat.AP stat.ML
Linear Prediction of Long-Memory Processes: Asymptotic Results on Mean-squared Errors
我们提出了两种方法的线性预测的长记忆时间序列。第一种方法包括通过将观测限制到最后的$k$项来截断Wiener-Kolmogorov预测器，这是实践中唯一可用的值。我们推导出$k$趋于$ + \infty$时均方误差的渐近行为。相比之下，第二种方法是非参数的。AR（$k$）模型拟合的长记忆时间序列，我们研究的错误，出现在这个错误的模型。
2007-05-14 math.ST stat.TH
Inverse Moment Methods for Sufficient Forecasting using High-Dimensional Predictors
我们考虑预测一个单一的时间序列使用大量的预测在一个可能的非线性预测函数的存在。假设预测因子通过潜在因子影响响应，我们建议首先进行因子分析，然后对估计因子进行充分的降维，以获得后续预测的降维数据。在充分降维阶段，利用方向回归和反三阶矩方法，可以捕捉到各因素对响应的非单调影响。我们还允许一个发散的因素，只施加一般规律性条件的因素的分布，避免不希望的时间可逆的因素，后者。这些使得所提出的方法从根本上比Fan et al.（2017）中的充分预测方法更适用。所提出的方法在模拟研究和预测1959年至2016年的月度宏观经济数据的实证研究中得到了证明。此外，我们的理论有助于文献的充分降维，因为它包括一个不变性的结果，路径进行充分的降维下的高维设置，而不假设稀疏性，以及相应的顺序确定过程。
2021-04-21 math.ST stat.AP stat.ME
Long-term prediction intervals with many covariates
准确预测是计量经济学时间序列研究的基本问题之一。通常，从业者和政策制定者希望预测未来整个时间范围的结果，而不仅仅是单个$k$ -提前一步预测。这些序列，除了其自身可能的非线性相关性，往往也受到许多外部预测因素的影响。在本文中，我们构造预测区间的时间聚集预测在高维回归设置。我们的方法是基于流行的LASSO例程获得的残差的分位数。我们允许一般重尾，长记忆，非线性平稳误差过程和随机预测。通过一系列系统安排的一致性结果，我们提供了我们提出的基于分位数的方法在所有这些情况下的理论保证。在使用模拟验证了我们的方法之后，我们还提出了一种新的基于自举的方法，该方法可以提高理论区间的覆盖率。最后分析EPEX现货数据，我们构建预测区间每小时的电价跨越17周的视野，并将其与选定的贝叶斯和自助区间预测进行对比。
2021-10-01 econ.EM math.ST stat.ME
Multivariate Bayesian Structural Time Series Model
本文讨论了多个相关时间序列的推断和预测，其中一个也可以选择使用一个候选池的同期预测为每个目标系列。从时间序列的结构模型开始，贝叶斯工具用于模型拟合，预测和特征选择，从而扩展了最近的一些工作，沿着这些线的单变量的情况下。这种多变量设置中的贝叶斯范例有助于模型避免过拟合，并捕获具有各种状态分量的多个时间序列之间的相关性。该模型提供了必要的灵活性，为每个目标系列选择不同的组件和可用的预测。模型中的周期性成分可以处理短期内可能由外部冲击造成的巨大变化。我们进行了大量的模拟，以调查属性，如估计精度和预测性能。然后，我们运行一个实证研究与一步预测的最大对数回报的股票投资组合，涉及四个领先的金融机构。模拟研究和广泛的实证研究证实，这个多变量模型优于其他三个基准模型，即一个模型，将每个目标系列作为独立的，自回归集成移动平均模型与回归（ARIMAX），和多变量ARIMAX（MARIMAX）模型。
2018-09-19 stat.ML
Time series features for supporting hydrometeorological explorations and predictions in ungauged locations using large datasets
基于回归的径流区域化框架是围绕传统上源于流域水文、洪水频率分析及其相互作用的流域属性建立的。在这项工作中，我们偏离了这条传统的道路，制定并广泛调查了第一个基于回归的径流区域化框架，这些框架主要来自数据科学的通用时间序列特征，更确切地说，来自各种各样的此类特征。我们重点研究了28个特征，包括（偏）自相关、熵、时间变化、季节性、趋势、块状、稳定性、非线性、线性、尖峰、曲率等。我们估计这些功能的每日温度，降水量和流量时间序列从511集水区，然后将它们与传统的地形，土地覆盖，土壤和地质属性的区域化背景。降水和温度特征（例如，降水时间序列的谱熵、季节性强度和滞后1自相关性，以及温度时间序列的稳定性和趋势强度）被发现是许多径流特征的有用预测因子。这同样适用于传统属性，例如流域平均海拔。预测变量和因变量之间的关系也被发现，而频谱熵，季节性强度和流量时间序列的几个自相关功能被发现是更区域化比别人。
2022-06-17 stat.AP stat.ME stat.ML
Tensor Stochastic Regression for High-dimensional Time Series via CP Decomposition
本文提出基于CP分解的高维张量随机回归统一框架，支持向量、矩阵与张量响应及预测变量，给出低秩与稀疏低秩估计、非渐近误差界和交替最小化算法，并通过模拟与实际数据验证其优势。
2025-06-07 stat.ME
A Hybrid Framework Combining Autoregression and Common Factors for Matrix Time Series
Shanghai Jiao Tong University（上海交通大学）；Tongji University（同济大学）
本文提出一种结合自回归与共同因素的混合框架，用于高维矩阵时间序列建模，通过分解系数矩阵实现降维并提升预测效率。
2026-01-13 econ.EM stat.ME
Adaptive Frequency Band Analysis for Functional Time Series
非平稳函数时间序列的频域特性往往包含有价值的信息。这些特性通过其随时间变化的功率谱来表征。寻求功率谱的低维汇总测量的从业者通常将频率划分为频带，并在频带内创建功率的折叠测量。然而，标准频带在很大程度上是通过人工检查时间序列数据来开发的，并且可能不足以概括功率谱。在这篇文章中，我们提出了一个自适应频带估计的非平稳函数时间序列，最佳地总结了随时间变化的动态系列的框架。我们开发了一种扫描统计和搜索算法来检测频域中的变化。我们建立了这个框架的理论属性，并开发了一个计算效率高的实现。我们的方法的有效性也是合理的，通过大量的模拟研究和应用程序分析参与者的脑电图数据之间交替的眼睛打开和关闭的条件。
2021-03-10 math.ST stat.AP stat.CO
Joint Prediction Regions for time-series models
Royal Holloway University of London（伦敦大学皇家霍洛威学院）
本研究实现并比较了Wolf和Wunderli的联合预测区域方法，用于时间序列模型，通过自助法估计预测标准误差，实验显示强预测器缩窄宽度，预测范围增大和显著性水平降低使宽度变宽。
2024-05-27 cs.LG stat.ML
Generalized Exponential smoothing in prediction of hierarchical time series
Shang和Hyndman（2017）提出了一种分组函数时间序列预测方法，作为使用广义最小二乘法获得的个体预测的组合。我们修改他们的方法，使用广义指数平滑技术的最分解的功能时间序列，以获得更强大的预测。我们讨论了我们的建议的基础上，通过模拟研究和分析，在2016年在澳大利亚的电力需求的预测相关的实际数据获得的结果的一些属性。
2018-03-23 stat.AP stat.CO stat.ME
Stable Multivariate Functional Time Series Prediction for Major Geomagnetic Indices
University of Michigan（密歇根大学）
提出一种鲁棒的多元函数时间序列预测框架，采用重叠滚动窗口保持时间连续性，结合FPCA降维和VARX模型捕捉跨序列动态，用于预测五个关键地磁指数，在6-24小时预测上优于现有方法。
2026-10-07 stat.AP
Modern strategies for time series regression
本文讨论了几种现代回归分析方法，涉及时间序列数据，其中一些预测变量也按时间索引。我们讨论了经典的统计方法以及最近在机器学习文献中提出的方法。这些方法进行了比较和对比，可以看出，目前大多数可用的方法有优点和缺点。在这一领域有很大的发展方法的余地。这项工作的动机是一个应用程序，涉及预测水位作为降雨量和其他气候变量的函数在澳大利亚东部的含水层。
2020-10-29 stat.ME stat.ML
Predicting Patient State-of-Health using Sliding Window and Recurrent Classifiers
University of Edinburgh（爱丁堡大学）；University of Oxford（牛津大学）；Alan Turing Institute（艾伦·图灵研究所）
重症监护室（ICU）中的床边监护仪经常发出错误的声音，减慢响应时间并使护士对警报不敏感（Chambery，2001），导致错过真正的警报（Hug等人，2011年）。我们比较滑动窗口预测与复发预测分类ICU多变量时间序列患者的健康状况，我们报告了四个目标中三个的RNN性能略有改善。
2016-12-02 cs.LG stat.ML
The mbsts package: Multivariate Bayesian Structural Time Series Models in R
多变量贝叶斯结构时间序列（MBSTS）模型是处理多个相关时间序列的推断和预测的通用机器学习模型，其中还可以选择对每个目标序列使用不同的候选池的同期预测器。MBSTS模型具有广泛的应用，是特征选择、时间序列预测、临近预报、因果影响推断等的理想模型。本文介绍了如何使用R包MBSTS进行MBSTS建模，在包中的用户友好功能和开发人员友好功能之间建立桥梁，以及相应的方法。软件包中的面向对象功能以使用户能够灵活地添加或减少某些组件以及简化或复杂某些设置的方式进行解释。
2023-02-06 cs.LG cs.MS stat.AP
Environmental Time Series Interpolation Based on Spartan Random Processes
在许多环境应用中，时间序列要么是不完整的，要么是间隔不规则的。本文研究了Spartan随机过程在缺失数据预测中的应用。我们采用了一种新的修改的矩量法（MMoM）的参数推断。MMoM的CPU时间比极大似然估计快得多，并且几乎与数据大小无关。我们制定了一个明确的斯巴达估计缺失数据。模型的验证进行了合成数据和实际的时间序列的大气气溶胶浓度。的预测性能被证明是可比的最佳线性无偏（Kolmogorov-Wiener）预测器在降低计算成本。
2013-03-04 stat.AP
The Building Data Genome Project 2, energy meter data from the ASHRAE Great Energy Predictor III competition
本文描述了来自1，636栋非住宅建筑的3，053个电表的开放数据集，范围为两年（2016年和2017年），每小时频率（每米17，544次测量，约5360万次测量）。这些仪表收集自北美和欧洲的19个地点，每栋建筑有一个或多个仪表测量整个建筑的电气，加热和冷却水，蒸汽和太阳能以及水和灌溉仪表。这些数据的一部分用于2019年12月由ASHRAE组织主办的Great Energy Predictor III（GEPIII）竞赛。GEPIII是一个长期预测的机器学习竞赛，用于测量和验证。本文描述了时间序列仪表数据、建筑物元数据和补充气象数据的数据采集、清洗和收敛过程。该数据集可用于进一步的预测基准测试和原型设计，以及异常检测，能源分析和建筑类型分类。
2020-08-16 stat.AP
Conditional Risk Minimization for Stochastic Processes
IST Austria（奥地利科学技术研究所）
我们研究向非独立身份者学习的任务。数据特别是，我们的目标是学习预测器，最大限度地减少条件风险的随机过程，即预期损失的预测器上的下一个点的条件下，到目前为止观察到的训练样本集。对于非i.i.d.数据，训练集包含有关即将到来的样本的信息，因此可以期望关于条件分布的学习产生比从最小化边际风险的经典设置获得的更好的预测器。我们的主要贡献是基于非参数时间序列预测理论的条件风险的实用估计器，以及有限样本浓度界，该界在过程的某些规律性假设下建立了估计器对真实条件风险的一致收敛。
2016-03-13 cs.LG stat.ML
Time series modeling and large scale global solar radiation forecasting from geostationary satellites data
当一个地区的仪器设备很差时，地球静止卫星数据可用于预测全球太阳辐射。在本文中，我们使用地球同步卫星数据生成的2-D时间序列的太阳辐射下一个小时。本文中提出的结果涉及到一个特定的领土，科西嘉岛，但由于所使用的数据可用于全球的整个表面，我们的方法可以很容易地利用到另一个地方。事实上，2-D每小时的时间序列提取的HelioClim-3表面太阳辐射数据库处理的Heliosat-2模型。每个点的地图已被用来作为人工神经网络（ANN）的训练数据和输入，并作为两个持久性模型（缩放或不缩放）的输入。并将这些模式与晴空估计进行了比较，以评估其性能。我们发现一个归一化的均方根误差（nRMSE）接近16.5%的两个最好的预测（缩放持久性和人工神经网络）相当于35-45%的地面测量。最后，为了验证我们的2-D预测图，我们引入了一个新的误差度量称为伽马指数，这是一个标准，比较数据从两个矩阵在医学物理学。初步结果表明，在冬季和春季，尺度持续性的预测效果最好（伽马指数检验通过率分别为67.7%和86%），在秋季，简单持续性的预测效果最好（95.3%），在夏季，人工神经网络的预测效果最好（99.8%）。
2014-01-19 cs.CE physics.comp-ph stat.AP
Autoregressive Optimal Transport Models
针对分布时间序列分析挑战，提出在最优传输映射空间中操作的自回归传输模型，通过沿Wasserstein空间测地线建立传输映射间的回归联系，并证明了其平稳解的存在性及变系数扩展，成功应用于房价与温度分布数据分析。
2023-05-20 stat.ME
Exponentially weighted estimands and the exponential family: Filtering, prediction and smoothing
Harvard University（哈佛大学）；Erasmus University Rotterdam（鹿特丹伊拉斯姆斯大学）；Tinbergen Institute（蒂尔堡研究所）
本文提出利用折扣后的对数似然与对应期望对数似然的凸组合，以生成时间序列的滤波、预测和平滑方法，并在指数族情况下推导出具有线性递推关系的精确模型。
2026-04-28 econ.EM stat.ME
Frequency Band Analysis of Nonstationary Multivariate Time Series
来自生物医学时间序列中的频带的信息提供了所观察到的信号的有用摘要。许多现有的方法考虑在几个众所周知的预定义的感兴趣的频带上获得的时间序列的概要。然而，这些方法没有提供用于识别频带的数据驱动的方法，其最佳地概括了时间序列中的频域信息。提出了一种识别多变量局部平稳时间序列频率空间中分割点的新方法。这些分割点表示信号时变行为中的频率变化，并提供最好地保留所观察到的序列的非平稳动态的频带汇总测量。构造了一个基于$L_2$范数的差异测度，发现时变谱密度矩阵的差异，并推导了其渐近性质。还提供了新的非参数自举检验，以确定显着的频率划分点，并确定组件和跨组件的频谱矩阵表现出频率的变化。通过仿真说明了所提出的方法的单样本性能。所提出的方法是用来开发最佳频带总结措施，用于表征时变行为的休息状态脑电图（EEG）时间序列，以及识别组件和交叉组件与每个频率分区点。
2023-01-09 stat.ME
CATS: Enhancing Multivariate Time Series Forecasting by Constructing Auxiliary Time Series as Exogenous Variables
Georgia Institute of Technology（佐治亚理工学院）；Amazon Web Services（亚马逊网络服务）
CATS通过构建辅助时间序列作为外生变量，有效提升多变量时间序列预测的性能，实现高效且可转移的预测解决方案。
2026-02-05 cs.AI cs.LG stat.ML
Building Calibrated Deep Models via Uncertainty Matching with Auxiliary Interval Predictors
Lawrence Livermore National Laboratory（劳伦斯利弗莫尔国家实验室）；Arizona State University（亚利桑那州立大学）；IBM Research AI（IBM研究院人工智能部门）
随着深度学习在关键应用中的快速采用，经常会出现何时以及在多大程度上信任这些模型的问题，这就需要量化固有的不确定性。虽然识别解释模型随机性的所有来源具有挑战性，但通常使用置信区间来增强预测，以传达模型行为的预期变化。我们要求预测区间经过很好的校准，反映真实的不确定性，并且要尖锐。然而，已知用于获得预测区间的现有技术在这些标准中的至少一个中产生不令人满意的结果。为了应对这一挑战，我们开发了一种构建校准估计器的新方法。更具体地说，我们使用单独的模型进行预测和区间估计，并提出了一个双层优化问题，允许前者通过\textit{uncertainty matching}策略利用后者的估计。使用回归，时间序列预测和对象定位的实验，我们表明，我们的方法实现了显着改善现有的不确定性量化方法，无论是在模型保真度和校准误差。
2019-11-21 cs.LG stat.ML
