Detection of additive outliers in Poisson INteger-valued AutoRegressive time series
在时间序列分析中，经常会遇到离群观测值。本文研究了整数值时间序列中可加性野值的检测问题。我们展示了如何使用吉布斯抽样来检测INAR（1）过程中的离群观测值。所提出的方法说明使用的例子，以及观察到的数据集。
2012-04-29 stat.CO stat.ME
Detecting Cointegrating Relations in Non-stationary Matrix-Valued Time Series
本文提出矩阵误差修正模型，允许行列分别协整，用信息准则选秩，经模拟与宏观应用验证估计可靠。
2025-01-24 econ.EM stat.ME
Segmenting High-dimensional Matrix-valued Time Series via Sequential Transformations
矩阵值时间序列建模是一个有趣而重要的研究课题。在本文中，我们将Chang et al.（2017）的方法扩展到矩阵值时间序列。对于任何给定的$p\times q$矩阵值时间序列，我们寻找线性变换将矩阵分割成许多小的子矩阵，对于这些子矩阵中的每一个，它们都与其他子矩阵同时或连续地不相关，因此它们可以被单独分析，这将大大减少在建模方面要估计的参数的数量。为了克服识别问题，我们提出了一个两步和更结构化的过程，分别分割行和列。当$\max(p,q)$相对于样本量$n$较大时，我们假设变换矩阵是稀疏的，并对（自动）协方差阵使用阈值估计。我们还提出了一种分块阈值方法来分离变换后的矩阵值数据的列（或行）。建立了固定和发散$\max(p,q)$的渐近性质。与独立数据的主成分分析（PCA）不同，我们不能保证所需的线性变换存在。当它不，所提出的方法提供了一个近似的分割，这可能是有用的预测。仿真和实际数据的例子说明了所提出的方法。我们还提出了一个序列变换算法来分割高阶张量值时间序列。
2020-02-09 stat.ME
Spatio-Temporal Autoregressions for High Dimensional Matrix-Valued Time Series
City University of Hong Kong（香港城市大学）；Southwestern University of Finance and Economics（西南财经大学）；Macquarie（麦格理银行）；London School of Economics and Political Science（伦敦政治经济学院）
本文针对高维矩阵值时间序列，提出结合时空动态的双带宽时空自回归模型，开发迭代广义Yule-Walker估计量与两步序贯估计程序，以解决内生性问题并实现多维度交互分析，用于日内交易量曲线预测。
2026-08-18 stat.AP stat.ME
Analytic Standard Errors for Latent Gaussian Discrete-Valued Multivariate Time Series
University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）；Technical University of Munich（慕尼黑工业大学）；Cornell University（康奈尔大学）
针对离散值时间序列建模方法不足的问题，提出基于潜在平稳高斯向量序列的copula式多元模型，推导解析标准误差以促进对潜在高斯动态的推断，并通过模拟研究和实证应用检验其性能。
2026-07-07 stat.ME
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
A model-free feature extraction procedure for interval-valued time series prediction
本文提出了一种结合迁移学习和成像方法的无模型特征提取方法，通过将区间值时间序列转换为图像并训练ResNet提取特征，再整合到传统预测模型中，在S&P 500指数和三个数据生成过程上显著提升了预测性能。
2025-04-04 stat.AP
Testing Serial Independence of Object-Valued Time Series
提出基于度量空间自距离协方差的非参数方法检验对象值时间序列序列独立性，构造Cramer-von Mises检验统计量并利用wild bootstrap确定临界值，有效捕捉所有非线性成对依赖关系。
2023-07-27 stat.ME
Interval-valued circular time series: A toroidal score-driven approach with an application to wind direction
University of Pretoria（比勒陀利亚大学）；Southern Illinois University（南伊利诺伊大学）
针对现有框架无法处理圆形、区间值且具时间依赖性数据的问题，本文提出环面得分驱动的区间值圆形时间序列模型，经模拟验证估计性能，应用于区间值风向数据体现了该框架的实用价值。
2026-10-12 stat.CO stat.ME
Specific Differential Entropy Rate Estimation for Continuous-Valued Time Series
Uniformed Services University（美国三军大学）
我们介绍了一种方法，通过扩展的微分香农熵率量化的连续值时间序列的固有不可预测性。我们的扩展，特定熵率，量化了与特定状态相关的预测不确定性的数量，而不是所有状态的平均值。我们将特定的熵率与流行的“复杂性”措施，如近似和样本熵。我们提供了一个数据驱动的方法来估计所观察到的时间序列的特定熵率。最后，我们考虑三个案例研究估计特定的熵率从合成和生理数据相关的心率变异性的分析。
2016-06-08 cs.LG stat.ME
Mixed difference integer-valued GARCH model for $ \mathbb{Z}$-valued time series
Qassim University（卡西姆大学）；CREST and University of Lille（法国国家经济统计与分析研究中心和里尔大学）；Kyushu University（九州大学）
本文提出一种灵活的观测驱动Z-valued时间序列模型，通过混合负数和非负数分量实现更广泛的适用性，支持偏态和双峰性，同时简化了解释与分析，并通过模拟和实证验证了方法的有效性。
2026-03-17 math.ST stat.ME stat.TH
Interval-Valued Time Series Classification Using $D_K$-Distance
School of Economics and Management, Beihang University（北京航空航天大学经济管理学院）
本文提出基于 $D_K$-距离的区间值时间序列成像与深度学习分类方法，适用于单变量和多变量场景，并在理论上给出更紧的 excess risk 界，通过模拟和实际数据验证了其优于现有点值时间序列分类方法。
2025-04-07 cs.LG stat.ML
An integer-valued time series model for multivariate surveillance
最近几天，出于公共卫生的原因，不同类型的监测数据正在变得可用。在大多数情况下，监测几个变量并报告不同类型的事件。随着监测数据量的增加，需要能够有效解决多变量监测场景的统计方法。尽管近年来这一领域的研究活动迅速增加，但只有少数方法同时解决了数据的整数值属性及其相关性（时间相关性和互相关性）结构。在本文中，我们提出了一个多变量整数值自回归模型，允许序列之间的序列和交叉相关，可以很容易地容纳过度分散和协变量信息。此外，它的结构意味着一个自然的分解成地方病和流行病的组成部分，一个共同的区别在动态模型的传染病计数。疾病暴发的检测是通过将监测数据与将建议的模型拟合到一组干净的历史数据后获得的一步预测进行比较来实现的。在2004年雅典奥运会期间收集的一系列症状监测数据的三变量的建议模型的性能说明。
2019-09-13 stat.AP
Modelling discrete valued cross sectional time series with observation driven models
本文发展了计算上可行的方法来估计随机效应模型的背景下，回归建模的多个独立的时间序列的离散值计数，其中有序列依赖。给定协变量、随机效应和工艺历史，每个系列中每个时间的观测响应是独立的，并具有指数族分布。我们发展的混合效应模型的极大似然估计使用一个观察驱动的广义线性自回归移动平均规格的序列依赖在每个系列。本文提出了一种易于实现的方法，它使用现有的单一时间序列方法来处理串行相关结构，结合自适应高斯求积来近似似然及其导数所需的回归随机效应上的积分。提出的模型和方法允许扩展现有的混合模型程序的计数数据，将串行依赖，可以在不同的形式和强度在各个系列。该模型的结构与具有随机效应的纵向数据转换模型有一些相似之处。然而，与该设置不同，在该设置中，有许多病例，每个病例的观察值很少到中等，时间序列设置中，每个序列的观察值很多，横截面时间序列的观察值很少到中等。该方法被示出的时间序列的二进制响应的音乐功能从一组听众。
2016-06-09 stat.ME
Network Autoregression for Incomplete Matrix-Valued Time Series
我们研究了具有观测网络结构的矩阵值时间序列的动态特性，提出了一个具有行网络和列网络的矩阵网络自回归模型。我们将协变量信息和低秩截距矩阵。我们允许矩阵中的不完全观测，并且缺失机制可以是协变量依赖的。为了估计模型，提出了两步估计过程。第一步旨在估计网络自回归系数，第二步旨在估计回归参数，这些参数本身就是矩阵。在理论上，我们首先分别建立了自回归系数的渐近性质和回归参数的误差界。随后，提出了一种减小渐近偏差的方法，并研究了去偏估计的理论性质。最后，我们通过一些数值研究和Yelp数据集的分析说明了所提出的方法的实用性。
2023-02-06 stat.ME
First-order multivariate integer-valued autoregressive model with multivariate mixture distributions
本文提出一阶多元整数值自回归模型以灵活刻画多元整数值时间序列的相关结构，建立平稳性与遍历性，并基于EM算法进行参数估计，通过模拟和真实犯罪数据验证了模型优势。
2023-11-30 stat.CO stat.ME
Modeling Interval Trendlines: Symbolic Singular Spectrum Analysis for Interval Time Series
在这篇文章中，我们提出了一个扩展的奇异谱分析的区间值时间序列。所提出的方法可以用来分解和预测集值随机过程的动力学。区间时间序列被分解的结果分量可以被理解为区间趋势线、周期或噪声。预测可以通过线性递归方法进行，我们设计了多变量设置的分解方法的概括。所提出的方法的性能展示在模拟研究。我们应用所提出的方法，以跟踪动态管理阿根廷股市（MERVAL）在实时，在一个案例研究，涵盖了最近一段时间的动荡，导致阿根廷政府与国际货币基金组织的讨论。
2020-11-08 stat.AP stat.ME
Adaptive Classification of Interval-Valued Time Series
School of Economics and Management, Beihang University（北京航空航天大学经济管理学院）
本文提出一种基于区间上下界凸组合和图像转换的自适应方法，用于单变量及多变量区间值时间序列分类，通过ADMM优化系数并建立了基于间隔的多分类泛化界。
2025-04-04 cs.LG stat.ML
Predictive inference for discrete-valued time series
本文针对离散值时间序列提出通过估计未来观测落入预设集合的概率进行预测推断，结合参数与非参数方法、渐近理论及自助法，并在INAR和INARCH模型上验证了方法性能。
2025-07-21 stat.ME
Solving an Inverse Problem for Time Series Valued Computer Simulators via Multiple Contour Estimation
计算机模拟器通常用作复杂现实生活现象的替代品，这些现象要么昂贵，要么无法进行实验。本文主要研究如何有效地解决一个昂贵的计算时间序列值计算机模拟器的反问题。这项研究的动机是一个水文模拟器，它必须被调整为产生现实的径流测量在雅典，佐治亚州，美国。假设模拟器在给定输入x的L个时间点上返回g（x，t），所提出的方法开始于尺寸$k << L$的离散化（时间）点集（DPS）的仔细构造，通过在k个最佳节点位置$\{t^*_1, t^*_2, ..., t^*_k\}$处采用目标响应系列的回归样条近似来实现。随后，我们解决k标量值反问题的模拟器$g(x,t^*_j)$通过轮廓估计方法。所提出的方法，命名为MSCE，也有利于量化的逆解的不确定性。广泛的模拟研究是用来证明所提出的方法与流行的竞争对手的几个测试功能为基础的计算机模拟器和现实生活中的所有径流测量模型的性能比较。
2022-11-02 stat.CO stat.ME
Autoregressive Models for Matrix-Valued Time Series
在金融、经济和许多其他领域，矩阵形式的观察结果往往是随着时间的推移而产生的。例如，不同国家每个季度定期报告一套关键经济指标。每个季度的观察结果整齐地形成了一个矩阵，并在许多连续的季度中进行观察。在边缘上生成观测值的动态交通网络可以形成为随时间观察的矩阵。虽然将矩阵观测值转换为长向量，然后使用标准向量时间序列模型进行分析是很自然的，但通常情况下，矩阵的列和行表示紧密相互作用的不同类型的结构。在本文中，我们遵循自回归结构建模时间序列，并提出了一种新的矩阵自回归模型的双线性形式，保持和利用矩阵结构，以实现更大的降维，以及更多的可解释的结果。研究了模型的概率性质。估计程序与其理论特性，并与模拟和真实的例子证明。
2019-07-24 stat.ME
Factor Modelling for Biclustering Large-dimensional Matrix-valued Time Series
本文针对高维矩阵值时间序列双聚类问题，提出基于全新潜在双向因子结构的无监督学习方法，通过估计全局与聚类特定因子载荷空间、结合K-means算法识别聚类，理论上收敛更快且通过实验验证有效性。
2025-02-10 stat.ME
Inverse Problem for Dynamic Computer Simulators via Multiple Scalar-valued Contour Estimation
在本文中，我们考虑一个动态的计算机模拟器，产生一个时间序列响应$y_t(x)$在$L$时间点，对于每个给定的输入参数$x$。我们提出了一种方法来解决逆问题，这是指找到一组输入，生成一个预先指定的模拟器输出。受Ranjan等人（2008，DOI：10.1198/00401700800000541）提出的基于期望改进准则的轮廓估计的序贯方法的启发，我们提出的方法将目标响应序列离散为$k \; (\ll L)$时间点，然后迭代求解离散目标的$k$标量值逆问题。我们还建议使用样条平滑的目标响应系列，以确定最佳的节点数，$k$，和离散化的节点的实际位置。所提出的方法的性能进行了比较，几个测试功能为基础的计算机模拟器和激励实际应用程序，使用一个完整的径流测量模型命名为Matlab-Simulink模型。
2020-12-12 stat.AP stat.CO stat.ME
Two-Sample and Change-Point Inference for Non-Euclidean Valued Time Series
本文针对一般度量空间中具有时间相依性的非欧几里得数据，提出基于自正则化的两样本检验与变点检测方法，推导其理论性质并通过模拟和死亡率、加密货币数据验证其有效性。
2023-07-10 stat.ME
Consistent model selection procedure for general integer-valued time series
本文研究了一类整数值时间序列的模型选择问题。我们提出了一个惩罚标准的基础上的泊松拟似然模型。在一定的正则性条件下，证明了该方法的相合性以及所选模型的Poisson拟似然估计的相合性和渐近正态性.对泊松模型、二进制随机数模型、负二项模型等经典非线性动态模型进行了仿真实验。此外，提供了一个应用到一个真实的数据集。
2020-02-20 math.ST stat.TH
Testing for parameter change in general integer-valued time series
研究一类离散值时间序列的结构变化，即条件分布服从单参数指数族。我们提出了一个基于模型参数的极大似然估计的变点检验。在（无变化）的原假设下，检验统计量收敛于已知分布，允许计算检验的临界值。检验统计量在备选项下发散到无穷大，即检验渐近具有功效1。一些模拟结果和实际数据的应用报告显示的测试程序的适用性。
2016-02-28 math.ST stat.TH
A Riemannian Factor Model for Manifold-Valued Time Series
Department of Statistics, Rutgers University（罗格斯大学统计系）
该研究针对流形值时间序列提出黎曼因子模型（RFM），推导了其在高维渐近下的收敛速率，通过模拟数据和美国股票协方差序列验证了模型的可解释性与预测性能。
2026-07-31 stat.ME
BNB autoregressions for modeling integer-valued time series with extreme observations
本文介绍了一种通用的重尾自回归模型，用于建模具有异常值的整数值时间序列。拟议的规范基于负二项分布的重尾混合，其特征是条件期望的观察驱动动态方程。在一般的压缩条件下，证明了一类自回归过程的唯一平稳遍历解的存在性。在给出似然函数的封闭形式的情况下，可以很容易地用极大似然法进行模型的估计。给出了估计量的强相合性和渐近正态性。规范的两个例子说明了方法的灵活性和理论结果的相关性。特别地，考虑了条件期望的线性动态方程和分数驱动方程。分数驱动的规范被证明是特别有吸引力的，因为它提供了一个强大的过滤方法，衰减离群值的影响。经验应用的时间序列的毒品贩运报告在悉尼说明了该方法在处理极端观测的有效性。
2019-09-06 math.ST stat.ME stat.TH
An Efficient and Interpretable Autoregressive Model for High-Dimensional Tensor-Valued Time Series
本文提出一种基于CP分解的监督因子建模方法，通过低秩加稀疏结构实现高维张量时间序列的高效降维与可解释自回归建模。
2025-06-02 stat.ME
Density power divergence for general integer-valued time series with multivariate exogenous covariate
本文研究了一类整数值时间序列模型的稳健估计方法。该过程的条件分布属于一类广泛的分布，与经典的自回归框架不同，该过程的条件均值也依赖于一些多元外生协变量。我们推导出一个强大的推理过程的最小密度功率发散的基础上。在一定的正则性条件下，我们证明了所提出的估计是相合的和渐近正态的。仿真实验表明了该估计器的经验性能。还提供了股票爱立信B的每分钟交易数的应用。
2023-01-30 math.ST stat.TH
Quantifying Periodicity in Non-Euclidean Object-Valued Time Series
Macquarie University（麦考瑞大学）；Australian National University（澳大利亚国立大学）
本研究提出一种非参数框架，用于量化一般度量空间中非欧几里得随机对象的周期性，通过模拟和真实数据验证了其在周期性量化中的准确性与实用性。
2026-08-31 stat.ME
Hierarchical Time Series Forecasting with Operator-Valued Kernels
Califrais
该研究针对分层时间序列预测的一致性与统计保证问题，提出基于算子值核的统一框架，通过构造结构化算子值核确保预测满足分层约束，经合成与真实数据集验证了方法的有效性。
2026-10-14 cs.LG stat.ML
The maximum of the periodogram of Hilbert space valued time series
当周期长度未知时，我们感兴趣的是检测希尔伯特空间值时间序列中的周期信号。自然的检验统计量是周期图算子在所有基频上的最大希尔伯特-施密特范数。本文分析了这一检验统计量的渐近分布。我们考虑的情况下，噪声变量是独立的，然后将我们的结果推广到功能的线性过程。为函数自回归过程类提供了实现测试的细节。我们说明了我们的方法的有用性，通过检查奥地利格拉茨的空气质量数据。在有限样本的渐近理论的准确性进行了评估，在模拟实验。
2020-07-04 math.ST stat.TH
Interval Forecasting of Electricity Demand: A Novel Bivariate EMD-based Support Vector Regression Modeling Framework
在电力系统规划和运行决策中，高精度的电力需求区间预测是通过提供范围而不是点估计来成功降低风险的基础。在这项研究中，一种新的建模框架集成双变量经验模式分解（BEMD）和支持向量回归（SVR），扩展了成熟的经验模式分解（EMD）为基础的时间序列建模框架的能源需求预测文献，提出了电力需求的区间预测。本研究的新颖性来自就业BEMD，一个新的扩展经典经验模型分解（EMD）注定要处理二元时间序列作为复值时间序列，作为分解方法，而不是经典的EMD只能分解一维单值时间序列。该建模框架被赋予BEMD同时分解的下限和上限的时间序列，构建在复值时间序列的形式，电力需求每月每小时的基础上，从而捕捉潜在的相互关系的下限和上限。建议的建模框架是合理的，每月间隔值的电力需求数据每小时在宾夕法尼亚州新泽西州马里兰州互联，表明它是一个很有前途的方法，区间值的电力需求预测。
2014-06-15 cs.LG stat.AP
Piecewise autoregression for general integer-valued time series
本文提出了一般整数值时间序列的分段自回归方法。该过程的条件均值取决于一个随时间分段恒定的参数。我们推导出一个推理过程的基础上的惩罚的对比，从泊松拟最大似然模型。所提出的估计的一致性。从实际应用出发，推导了一种基于斜率启发式的数据驱动的对比度惩罚项校正方法，并通过动态规划算法实现，得到了时间复杂度为$\mathcal{O}(n^2)$的校正过程.一些模拟结果，以及美国的经济衰退数据和Technofirst的股票交易数量的应用。
2019-11-03 math.ST stat.TH
Blind source separation of tensor-valued time series
多元时间序列的盲源分离模型通常假设观测序列是未观测序列的线性变换，其分量在时间上不相关或独立。给定观测值，目标是找到恢复潜在序列的线性变换。实现这一点的几种方法存在和三个特定的是经典的SOBI和最近提出的广义FOBI（gFOBI）和广义JADE（gJADE），每个基于使用的联合滞后矩。在本文中，我们推广这些算法背后的张量值时间序列的方法。我们假设我们的数据由在每个时间点观察到的张量组成，并且观察是我们希望估计的潜在张量的线性变换。张量推广有特别优雅的形式，我们表明，他们每个人都是Fisher一致的和正交等变的。将新方法与原始方法在各种环境中进行比较表明，张量扩展优于其向量值对应物和两种现有的张量降维方法。数据最后，fMRI数据和视频处理的应用表明，该方法能够从嘈杂的高维数据中提取相关信息。
2017-03-30 math.ST stat.TH
Learning binary or real-valued time-series via spike-timing dependent plasticity
动态Boltzmann机（DyBM）是脉冲神经网络的一种模型，其最大化给定时间序列对数似然的学习规则表现出脉冲时间依赖可塑性（STDP）的关键特性，而STDP是神经科学领域对Hebbian规则的一种改进.在这里，我们放松了DyBM中的一些约束，使其更适合计算和学习。我们证明了学习DyBM可以被认为是二值时间序列的逻辑回归。我们还展示了DyBM如何以高斯DyBM的形式学习实值数据，并讨论了它与向量自回归（VAR）模型的关系。高斯DyBM通过使用额外的解释变量来扩展VAR，这些解释变量对应于DyBM的资格迹线并捕获时间序列的长期依赖性。数值实验表明，高斯DyBM显着提高预测精度比VAR。
2016-12-15 cs.NE stat.ML
Quantifying Long-Range Dependence in Object-Valued Time Series
University of Sydney（悉尼大学）；Macquarie University（麦考瑞大学）
针对缺乏线性结构的对象值时间序列，提出基于负类型度量空间等距嵌入与滞后协方差算子迹的内在框架，定义并估计长记忆参数，通过距离度量实现估计，模拟验证偏差减少，并在外汇和发电数据中发现长记忆证据。
2026-11-10 math.ST stat.ME stat.TH
Online Change-Point Monitoring for Object-valued Time Series
Washington University in St Louis（华盛顿大学圣路易斯分校）；Aarhus University（奥胡斯大学）
本文提出基于距离嵌入和自归一化的闭端与开端程序，在线监测对象值时间序列边际分布变化，具有枢轴极限和最优局部检测边界，并通过模拟和实际应用验证有效性。
2026-09-11 math.ST stat.TH
Inference in matrix-valued time series with common stochastic trends and multifactor error structure
本文针对高维矩阵值时间序列提出三步估计方法，通过先投影去除共同随机趋势、再估计平稳成分、最后重新估计趋势及其载荷，改进了扁平化估计器的收敛速度，并给出因子数量的一致估计。
2025-01-03 stat.ME
Function-Valued Causal Influence in Nonlinear Time Series
Lucy Family Institute for Data \& Society, University of Notre Dame, Notre Dame, Indiana, USA.；Department of Political Science, University of Notre Dame, Notre Dame, Indiana, USA
针对非线性时间序列因果发现中常用标量评分掩盖状态依赖函数效应的问题，提出基于个体条件期望的框架从神经加性向量自回归模型直接估计因果响应函数，揭示标量评分无法区分的多种函数行为。
2026-10-06 cs.LG stat.ME stat.ML
Strong mixing properties of discrete-valued time series with exogenous covariates
我们推导出许多现有的离散值时间序列模型，其中包括外生协变量的动态强混合条件。我们的主要贡献是研究如何混合条件的协变量过程转移到一个混合条件的响应。利用耦合方法，首先得到了随机环境中某些马尔可夫链的混合条件，从而给出了一类具有严格外生回归变量的自回归范畴过程的第一个结果.我们的结果被推广到一些无限记忆范畴过程。在本文的第二部分，我们研究了协变量序列外生的自回归模型。利用有限集上的一般随机映射方法，我们得到了许多文献中发现的分类时间序列，包括多项式自回归过程，有序时间序列和动态多项选择模型的混合条件，可以检查。我们还研究了一些自回归计数时间序列使用有点不同的收缩参数。我们的贡献填补了一个重要的空白，这样的模型，在这里提出了一个更一般的形式，因为这样一个强混合条件往往是假设在最近的一些作品，但没有一般的方法来检查它。
2021-12-06 math.ST stat.TH
Manifold-valued models for analysis of EEG time series data
提出一种黎曼流形上的时间序列模型，结合自回归、均值回复和高斯噪声分析癫痫EEG协方差矩阵，发现仿射不变几何拟合更优，且能区分发作与发作间期动力学差异。
2024-02-12 stat.ME
Inference for a New Signed Integer Valued Autoregressive Model Based on Pegram's Operator
本研究提出基于扩展二项分布与Pegram算子的SINARS(1)模型，可刻画非平稳序列差分后的正负整数平稳序列，采用两种参数估计方法并证明CML法渐近正态性，仿真及巴巴多斯新增病例差分数据分析验证了其有效性。
2023-05-07 stat.AP
Binomial ARMA count series from renewal processes
本文提出了一种由更新过程生成平稳整值时间序列的新方法。证明了如果更新过程的寿命分布是非格的，且概率母函数是有理的，则生成的时间序列满足因果可逆的ARMA型随机差分方程.这一结果为生成具有ARMA型自协方差函数的整值时间序列提供了一种简便的方法。作为例子，给出了从滞后p后具有常数风险率的寿命分布生成二项式ARMA（p，p-1）序列的例子。提出了AR（p）情形的估计方法。
2011-12-20 math.PR math.ST stat.AP
Semiparametric mean and variance joint models with clipped-Laplace link functions for bounded integer-valued time series
本文针对有界计数时间序列，利用方差上下界和截断拉普拉斯链接函数提出半参数均值与方差联合模型，可同时刻画欠离散、等离散和过离散现象，并建立了平稳性、遍历性及估计量渐近性质。
2024-05-02 stat.ME
Conditional Chow-Liu Tree Structures for Modeling Discrete-Valued Vector Time Series
University of California, Irvine（加州大学尔湾分校）
我们考虑离散值向量时间序列数据的建模问题，使用扩展的Chow-Liu树模型来捕获跨时间的依赖关系和跨变量的依赖关系。作为对标准Chow-Liu树的扩展，引入了条件Chow-Liu树模型，用于建模条件密度而不是联合密度。我们描述了这种模型的学习算法，并展示了它们如何可以用来学习隐马尔可夫模型的输出分布的简约表示。并将这些模型应用于雨量站网逐日降水量的模拟和预报这一重要问题。为了证明模型的有效性，我们比较了它们的性能与一些替代品使用历史降水数据从澳大利亚西南部和美国西部。我们说明了如何的结构和参数的模型可以用来提供一个改进的气象解释这样的数据。
2012-07-11 cs.LG stat.ML
Bell-INGARCH Model
本文提出了一种基于 Bell 分布的 Bell-INGARCH 模型，采用条件最大似然法估计参数，并通过数值模拟和两个实际例子验证了其有限样本性质与更强的简单适用性。
2023-11-19 math.ST stat.TH
Neural Likelihood Approximation for Integer Valued Time Series Data
University of Adelaide（阿德莱德大学）
针对整数值时间序列模型似然难解、现有基于仿真的推断方法实现难且计算成本高的问题，提出可通过底层模型无条件仿真训练的神经似然近似方法，在多类模型上验证了其准确性与计算效率优势。
2024-04-12 cs.LG stat.ML
Conditional-mean Multiplicative Operator Models for Count Time Series
针对乘性误差模型无法处理离散计数时间序列的问题，提出计数乘性算子概念并构建了计数时间序列的条件均值乘性算子模型（CMEMs），推导了其随机性质与估计方法，并通过仿真和真实数据验证了有效性。
2023-11-27 math.ST stat.ME stat.TH
Efficient probabilistic reconciliation of forecasts for real-valued and count time series
IDSIA, Dalle Molle Institute for Artificial Intelligence（IDSIA，达莱·莫莱人工智能研究所）；Department of Mathematics, University of Pavia（帕维亚大学数学系）
本文提出基于条件化的概率协调新方法，并引入自下而上重要性采样算法，适用于任意分布，显著加速并提升分层时间序列预测的一致性。
2023-10-12 cs.LG stat.ML
On Learning Time Series Summary DAGs: A Frequency Domain Approach
本文提出一种频域方法，通过在每个频率上定义复值结构因果模型（cSCM），从传递函数模型生成的多元时间序列中唯一识别拓扑排序和摘要DAG，并用模拟与真实数据验证算法性能。
2023-04-17 stat.CO
Real-valued (Medical) Time Series Generation with Recurrent Conditional GANs
ETH Zurich（苏黎世联邦理工学院）；Tri-Institutional Training Program in Computational Biology and Medicine, Weill Cornell Medical（威尔康奈尔医学院计算生物学与医学三机构联合培养项目）
生成对抗网络（GANs）作为训练模型以产生逼真数据的框架已经取得了显着的成功。在这项工作中，我们提出了一个经常性的GAN（RGAN）和经常性的条件GAN（RCGAN），以产生现实的实值多维时间序列，强调其应用于医疗数据。RGAN在生成器和递归神经网络中使用递归神经网络。在RCGAN的情况下，这两个RNN都以辅助信息为条件。我们在一组玩具数据集中展示了我们的模型，在那里我们直观地和定量地（使用样本可能性和最大平均差异）展示了它们可以成功地生成逼真的时间序列。我们还描述了GANs的新评估方法，其中我们生成一个合成的标记训练数据集，并在真实的测试集上评估在合成数据上训练的模型的性能，反之亦然。我们用这些指标说明，RCGAN可以生成对监督训练有用的时间序列数据，在真实测试数据上的性能只有轻微的下降。这是证明数字分类从“序列化”MNIST和训练的早期预警系统的医疗数据集的17,000名患者从重症监护病房。我们进一步讨论和分析的隐私问题时，可能会出现使用RCGAN生成现实的合成医疗时间序列数据。
2017-12-04 cs.LG stat.ML
Factor Models of Matrix-Valued Time Series: Nonstationarity and Cointegration
本文针对含共同随机趋势的非平稳矩阵值时间序列，提出矩阵因子模型以挖掘内在结构并降低计算复杂度，推导收敛理论且通过比率准则估计因子规模，模拟与实证验证其有限样本表现。
2025-08-22 econ.EM math.ST stat.TH
