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
FNETS: Factor-adjusted network estimation and forecasting for high-dimensional time series
提出FNETS方法,通过因子调整的VAR模型估计高维时间序列的Granger因果、同期及混合网络,并提供预测,在重尾条件下证明了估计的一致性。
2025-03-04 stat.ME
Coupled Supply and Demand Forecasting in Platform Accommodation Markets
Airbnb Inc.(爱彼迎公司)
本文探讨平台短期租赁中供需预测的耦合问题,提出包含行为、信息和干预的三重框架,通过玩具模拟展示识别失败,并提出联合预测供需及构成的未来研究方向。
2026-04-27 q-fin.ST stat.AP
Forecasting high-dimensional functional time series: Application to sub-national age-specific mortality
研究高维函数时间序列的建模与预测,通过双向函数方差分析将其分解为确定性和残差成分,并利用函数主成分分析预测残差成分,结合两者实现多人口预测,在多人口死亡率预测中优于多种基准方法。
2024-02-13 stat.AP stat.ME
Latent Gaussian dynamic factor modeling and forecasting for multivariate count time series
针对多元高维计数时间序列,提出基于潜高斯动态因子变换的建模方法,利用二阶性质与主成分分析估计参数并证明理论一致性,结合 Kalman 滤波与序贯 Monte Carlo 实现预测。
2025-04-03 econ.EM stat.ME
Forecasting High Dimensional Time Series with Dynamic Dimension Reduction
Universidad Carlos III de Madrid(马德里卡洛斯三世大学);Universidad de Buenos Aires(布宜诺斯艾利斯大学)
针对现有降维技术无法解释时间序列动态依赖的问题,提出集成动态降维与正则化的高维时间序列预测通用框架,涵盖多种经典方法并首次引入两类时域分析特例,经模拟与经济数据集验证有效。
2025-09-23 math.ST stat.ME stat.TH
Some recent trends in embeddings of time series and dynamic networks
本文综述了时间序列嵌入和动态网络嵌入的最新进展。我们从传统的主成分开始,然后看看时间序列的动态因子模型的扩展。与时间序列的主成分不同,关于时变非线性嵌入的文献相当稀少。文献中最有前途的方法是基于神经网络的,并且最近在预测比赛中表现良好。我们还触及拓扑数据分析中不同形式的动力学。本文的最后一部分涉及动态网络的嵌入,我们认为现有理论与大多数现实世界网络的行为之间存在差距。我们用两个模拟的例子来说明我们的评论。在整个审查中,我们强调静态和动态的情况下,并指出几个开放的问题,在动态的情况下之间的差异。
2022-12-16 stat.ME
Particularities and commonalities of singular spectrum analysis as a method of time series analysis and signal processing
奇异谱分析(SingularSpectrumAnalysis,SSA)是自二十世纪下半叶以来迅速发展起来的一种时间序列分析方法。由于SSA可以被称为时间序列的主成分分析,它必将成为未来时间序列分析和信号处理的标准方法。此外,SSA解决的问题是相当广泛的比主成分分析。特别是,频率估计,预测和缺失值填补的问题可以解决的SSA的框架内。SSA的想法来自不同的科学界,例如时间序列分析(Karhunen-Loeve分解)、信号处理(低秩近似和频率估计)和多元数据分析(主成分分析)的研究人员。此外,根据应用领域的不同,在相同的算法,参数的选择,和方法作为一个整体的不同观点被认为是。因此,本文的目的是描述和比较SSA及其修改和扩展的不同观点,让来自不同科学界的人们有可能意识到该方法的潜在新方面。
2021-01-24 stat.ME
Operator-theoretic framework for forecasting nonlinear time series with kernel analog techniques
核模拟预测(KAF),也称为核主成分回归,是一种用于动态生成的时间序列数据的非参数统计预测的核方法。本文综合了核方法和Koopman算子理论的描述,以提供一个单一的一致的帐户KAF。这里提出的框架阐明了KAF方法的性质,即在保持测量和遍历动力学的情况下,它始终近似于由动力系统的Koopman算子作用的观测量的条件期望,并且在预测初始化时以观测数据为条件。更准确地说,KAF产生最佳的预测,在这个意义上的最小均方根误差相对于不变测度,在大数据的渐近极限。此外,所提出的框架有利于分析泛化误差和量化的不确定性。KAF的条件方差和条件概率函数的建设,以及非对称核的扩展,也示出。KAF的各个方面的说明提供了应用程序的简单的例子,即周期性的循环和混沌洛伦兹63系统的流量。
2020-03-14 math.ST physics.data-an stat.TH
Next-Generation Conflict Forecasting: Unleashing Predictive Patterns through Spatiotemporal Learning
PRIO – Oslo(挪威和平研究所)
本研究提出一种基于蒙特卡洛Dropout LSTM U-Net的神经网络架构,用于在国家以下级别提前36个月预测三类暴力冲突,实现最先进性能并量化不确定性,为早期预警和和平建设提供支持。
2025-06-08 cs.AI cs.CY cs.LG
Estimating Real Demand Using a Flipped Queueing Model: A Case of Shared Micro-Mobility Services
The Hong Kong Polytechnic University(香港理工大学);Harbin Institute of Technology(哈尔滨工业大学)
针对共享微出行服务中观测需求被截断导致真实需求难以估计的问题,提出基于广义车辆生存时间与翻转排队模型的解析方法,通过逆排队实现闭式或方程组求解,实验验证优于基准模型。
2025-10-08 stat.AP
Comparative Analysis of Global and Local Probabilistic Time Series Forecasting for Contiguous Spatial Demand Regions
本研究比较了LightGBM全局、聚类级和站点级概率预测策略,发现含站点标识符的全局模型在多数场景下表现最优,兼顾全局结构与局部调整,为交通需求预测提供稳健高效方案。
2025-09-10 stat.AP
Multipopulation mortality modelling and forecasting: The multivariate functional principal component with time weightings approaches
本文提出两种基于多元函数主成分分析的多人口死亡率联合建模与预测新模型,利用多国性别数据验证表明,所提协同建模方法在预测精度和性质上均优于现有模型。
2021-02-18 stat.AP stat.ME stat.ML
Different PCA approaches for vector functional time series with applications to resistive switching processes
本文针对忆阻器阻变开关的循环间变异性,提出两种基于函数主成分得分向量自回归建模的预测方法,分别采用单变量和多变量主成分分析,并在二元重置-置位曲线数据上验证了方法性能。
2024-11-19 math.ST stat.TH
Principal component analysis for second-order stationary vector time series
我们将主成分分析(PCA)扩展到二阶平稳向量时间序列,在这个意义上,我们寻求一个同期的线性变换的$p$变量时间序列,使变换后的系列被分割成几个低维的子序列,这些子序列是不相关的彼此同时和串行。因此,就线性动力学结构而言,这些低维序列可以单独分析。从技术上讲,它归结为一个正定矩阵的特征分析。当$p$较大时,需要额外的步骤来根据最大互相关或基于多个测试的FDR执行置换。当样本量$n$趋于无穷大时,建立了固定$p$和发散$p$的渐近理论.模拟和真实数据集的数值实验表明,该方法是一个有效的初始步骤,在分析多个时间序列数据,从而导致大量的降维建模和预测高维线性动力学结构。与独立数据的PCA不同,不能保证所需的线性变换存在。当它不这样做时,所提出的方法提供了一个近似的分割,这导致的优势,例如,预测未来的价值。该方法还可以适用于分割多个挥发性过程。
2017-04-12 stat.ME
Noise reduction for functional time series
本文基于函数型主成分分析框架提出一种函数型时间序列降噪方法,通过沿噪声子空间投影分离信号与噪声,实现最小均方积分误差下的最优去噪,并验证其可提升预测性能。
2023-07-05 q-fin.ST stat.ME
Forecasting Binary Economic Events in Modern Mercantilism: Traditional methodologies coupled with PCA and K-means Quantitative Analysis of Qualitative Sentimental Data
本文研究现代重商主义下的二元经济事件预测,通过对新闻文章的768维SBERT语义嵌入应用PCA提取正交潜在因子,构建了可扩展的数据驱动框架,有效提升了分类性能与预测准确率。
2025-08-12 cs.LG econ.GN q-fin.EC
Sufficient Forecasting Using Factor Models
我们考虑预测一个单一的时间序列时,有大量的预测和可能的非线性效应。首先通过一个高维度(近似)的因素模型实施的主成分分析的维数降低。使用提取的因素,我们开发了一种新的预测方法,称为充分的预测,它提供了一组足够的预测指标,从高维预测推断,提供额外的预测能力。在假定采用半参数(近似)因子模型时,将采用预测主成分分析来提高推断因子的准确性。我们的方法也适用于横截面充分回归提取的因素。充分预测和深度学习架构之间的联系被明确地阐述。充分的预测正确估计投影指数的基本因素,即使在存在的非参数预测功能。所提出的方法扩展了足够的降维到高维制度凝聚的横截面信息,通过因子模型。我们得到的估计的中心子空间,这些投影方向以及足够的预测指标的估计的渐近性质。我们进一步表明,自然的方法运行的目标估计因素的多元回归产生一个线性估计,实际上落入这个中心子空间。我们的方法和理论允许预测因子的数量大于观测值的数量。最后,我们证明了充分的预测改善了线性预测在模拟研究和预测宏观经济变量的实证研究。
2015-12-24 math.ST stat.ME stat.ML
Functional principal component analysis with informative observation times
本文针对观测时间与纵向结局相关的信息性观测问题,提出基于逆强度加权和加权惩罚样条的函数型主成分分析方法,建立了估计量的一致性与收敛速度,并通过模拟和实际数据验证其优于现有方法。
2024-10-04 stat.ME
Zero to Hero: Exploiting Null Effects to Achieve Variance Reduction in Experiments with One-sided Triggering
在在线实验中,干预措施仅针对一小部分人群暴露或“触发”,关键是使用方差缩减技术以足够的精度估计处理效应,以告知业务决策。在这些情况下经常使用触发稀释分析,并将总体意向治疗(ITT)效应的采样方差降低一个数量级,该数量级等于触发率的倒数;例如,触发率$5\%$大致对应于方差的$20x$降低。为了应用稀释-稀释分析,需要知道实验对象的触发反事实状态,即,在治疗和控制条件下受试者的反事实行为。在本文中,我们提出了一个无偏的ITT估计与减少方差适用于实验中的触发反事实状态只观察到在治疗组。我们的方法是基于CUPED的效率增强思想,并借鉴了识别框架的主要分层和工具变量文献。我们的估计方法的无偏性依赖于一个可检验的假设,即用于协变量调整的增广项在期望中等于零。与传统的协变量调整或主得分建模方法不同,我们的估计量可以同时包含实验前和实验中的观察结果。我们通过真实世界的实验和模拟证明,我们的估计器可以保持无偏,并实现精度的提高,就像触发状态被完全观察到一样大,在某些情况下甚至可以优于稀释分析。
2023-01-31 stat.AP stat.ME
Principal Component Analysis using Frequency Components of Multivariate Time Series
多变量时间序列的降维技术将观测序列分解成几个有用的独立/正交的单变量分量。我们发展了一种多元二阶平稳时间序列的谱域方法,该方法将观测序列线性变换成几组低维多元子序列。这些多元子系列在一组内的成分之间具有非零光谱相干性,但在各组之间的成分之间具有零光谱相干性。观测序列表示为频率分量的总和,其方差与相应频率处的谱矩阵成比例。然后,使用这些频率分量的方差矩阵的总和上的特征分解估计的解混矩阵,并推导出其渐近性质。最后,一个一致的测试对组件的交叉频谱是用来找到所需的分割成低维子系列。通过仿真实例说明了所提出的方法的数值性能,并给出了风场数据建模和预报的应用。
2020-10-09 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
Augmented Factor Models with Applications to Validating Market Risk Factors and Forecasting Bond Risk Premia
我们研究的因素模型增加了观察到的协变量,有解释能力的未知因素。在财务因素模型中,未知因素可以通过一些可观察的代理(如Fama-French因素)得到合理的解释。在扩散指数预测中,确定的因素与几个直接可测量的经济变量密切相关,如消费财富变量,财务比率和期限利差。有了这些协变量,即使只有有限维,因子和载荷都可以识别到旋转矩阵。为了将这些协变量的解释能力,我们提出了一个平滑的主成分分析(PCA):(i)回归数据到观察到的协变量,和(ii)采取拟合数据的主成分来估计负荷和因子。这使我们能够准确地估计因子中已解释和未解释成分的百分比,从而评估协变量的解释力。我们表明,估计的因素和负载可以估计与改进的收敛速度相比,基准方法。改善的程度取决于信号的强度,代表协变量对因子的解释力。建议的估计是强大的可能重尾分布。我们应用该模型预测美国债券风险溢价,发现所观察到的宏观经济特征包含了很强的解释力的因素。将这些特征结合起来估计公共因子,比直接用于预测,预测的收益更大。
2018-09-17 econ.EM stat.ME
A Bayesian Framework for Latent Compliance Modeling in Cluster Randomized Trials with One-Sided Noncompliance
Brown University(布朗大学)
本文提出了一种贝叶斯框架,用于分析具有单侧二元非合规性的集群随机对照试验,考虑集群层面的部分合规性和个体层面的合规性差异,以估计有限和超总体的意图治疗和CACE效应估计量。
2026-04-28 stat.AP stat.ME
Supervised Dynamic PCA: Linear Dynamic Forecasting with Many Predictors
本文提出监督动态PCA方法,通过按预测显著性重新缩放变量并结合LASSO选择重要因子,在大量预测变量场景下实现优于传统扩散指数和PCA方法的动态预测。
2023-07-15 econ.EM q-fin.ST stat.ME