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
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
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
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
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
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
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
Matrix-variate integer-valued autoregressive processes
本文针对社会学和经济学中矩阵值整数值时间序列的建模需求，提出矩阵值整数值自回归模型，通过左右矩阵薄化算子定义模型，研究其性质，开发投影与迭代最小二乘估计，并证明其优于现有模型。
2025-09-09 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
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
A new matrix-variate integer-valued autoregressive process with matrical negative binomial thinning
School of Mathematics and Statistics, Changchun University of Technology（长春工业大学数学与统计学院）；School of Mathematics, Jilin University（吉林大学数学学院）
本文针对矩阵值整数时间序列的过度离散问题，提出带矩阵负二项稀疏的新型整数自回归模型，开发两种估计方法并验证其性能，该模型拟合效果优于两类对比模型。
2026-08-25 math.ST stat.TH
