Period Estimation in Astronomical Time Series Using Slotted Correntropy
在这封信中,我们提出了一个方法,从光变曲线的周期估计周期的周期从周期变星使用相关熵。光变曲线是恒星亮度随时间变化的天文时间序列,其特征是噪声和不均匀采样。我们建议使用开槽的时间滞后,以估计相关熵直接从不规则采样的时间序列。提出了一种新的信息论度量,用于区分相关熵谱密度的峰值。开槽相关熵方法优于开槽相关,字符串长度,VarTools(Lomb-Scargle periodogram和方差分析),和SigSpec应用程序的一组光变曲线,从CAMO调查。
2011-12-13 astro-ph.IM cs.IT math.IT
Nonparametric Trend Estimation in Functional Time Series with Application to Annual Mortality Rates
Here, we address the problem of trend estimation for functional time series . Existing contributions either deal with detecting a functional trend or assuming a simple model. They consider neither the estimation of a general functional trend nor the analysis of functional time series with a functional trend component. Similarly to univariate time series , we propose an alternative methodology to analyze functional time series , taking into account a functional trend component. We propose to estimate the functional trend by using a tensor product surface that is easy to implement, to interpret,…
2020-08-21 stat.ME
Supplementary Material for "Should we sample a time series more frequently? Decision support via multirate spectrum estimation (with discussion)"
本技术报告包括各种技术细节以及与论文“我们应该更频繁地对时间序列进行采样吗?”相关的扩展讨论。通过多速率谱估计的决策支持(讨论)",其中介绍了一个模型,用于估计系统给定的缺失数据的平稳离散时间过程的对数谱密度,并对改变采样率的成本影响进行建模。
2016-04-22 stat.AP stat.CO stat.ME
Non-parametric estimation of conditional quantiles for time series with heavy tails
提出修正的加权Nadaraya-Watson估计量用于重尾时间序列条件分位数,建立渐近正态性,并通过模拟和实际数据验证性能。
2024-07-22 math.ST stat.ME stat.TH
Bayesian estimation of the autocovariance of a model error in time series
时间序列模型中误差项的自协方差对模型的估计和推断起着关键作用。通常情况下,一些任意的参数结构假设的误差,以简化估计,这不可避免地引入潜在的模型误指定。为了避免传统的非参数截断方法中带宽选择困难的问题,本文在频域中对其谱密度进行贝叶斯估计。为此,我们考虑两种情况:固定误差方差和时变误差方差。每种方法都被用来估计自协方差的谱密度和模型参数。该方法被应用于汇率预测,并证明竞争有利的一些基准模型,包括无漂移的随机游动。
2022-10-14 stat.ME
Network Estimation for Stationary Time Series
Department of Mathematics, University of York, UK(约克大学数学系);Department of Mathematical Sciences, University of Bath, UK(巴斯大学数学科学系)
本文提出了一种基于小波域的新型技术,用于估计高维平稳多元时间序列的稀疏条件独立图,通过局部平稳小波建模框架和图拉索斯方法,提升时间序列依赖结构识别的准确性与适用性。
2025-12-12 stat.ME
Identifiability and Estimation of Structural Vector Autoregressive Models for Subsampled and Mixed Frequency Time Series
多变量时间序列中的因果推断是具有挑战性的,因为采样率可能没有因果相互作用的时间尺度快。在这种情况下,我们可以将观察到的序列视为所需序列的二次采样版本。此外,由于技术和其他限制,可能会在不同的采样率下观察到序列,这代表了混合频率设置。为了确定时间序列之间的瞬时和滞后效应在真正的因果尺度,我们采取了基于模型的方法,基于结构向量自回归(SVAR)模型。在这种情况下,我们提出了一个统一的框架下的子采样和混合频率的噪声,或冲击,是非高斯的参数可识别性和估计。重要的是,通过研究SVAR的情况下,我们都能够提供可识别性和估计方法的因果结构的滞后和瞬时效应在所需的时间尺度。我们进一步推导出一个精确的期望最大化算法的推理在二次采样和混合频率设置。我们验证我们的方法在模拟场景和两个现实世界的数据集。
2017-04-08 stat.ME
Data-driven pattern identification and outlier detection in time series
我们解决了时间序列中的数据驱动模式识别和异常值检测问题。为此,我们使用奇异值分解(SVD),这是一个众所周知的技术来计算任意矩阵的低秩近似。通过将时间序列重铸为矩阵,可以使用SVD来突出潜在的模式和周期性。这样做不需要指定用户定义的参数。从数据挖掘的角度来看,这为以数据驱动、自下而上的方式分析时间序列开辟了新的途径。然而,为了得到正确的结果,重要的是要理解时间序列的SVD频谱是如何受到潜在信号和噪声的各种特性的影响的。在本文中,我们已经扩展了早期的论文中的工作,开始对这些影响进行更系统的分析。然后,我们用一些现实生活中的数据来说明我们的发现。
2018-06-25 stat.ME
Maximum Pseudolikelihood Estimation for Model-Based Clustering of Time Series Data
混合自回归模型(MoAR)为时间序列数据的聚类提供了一种基于模型的方法。MoAR模型的极大似然(ML)估计需要估计正态随机变量的大量密度的乘积。在实际情况下,这些产品收敛到零的长度的时间序列的增加,因此ML估计的MoAR模型变得不可行,而不使用数值技巧。我们提出了一个最大的伪像(MPL)估计方法作为替代使用的数值技巧。MPL估计被证明是一致的,可以通过EM(期望-最大化)算法计算。模拟被用来评估性能的MPL估计对ML估计的情况下,后者能够计算。聚类的时间序列数据所产生的休息状态功能磁共振成像实验的应用程序作为演示的方法。
2016-10-18 stat.CO stat.ME
Consistent Entropy Estimation for Stationary Time Series
熵估计,部分地由于其与互信息的连接,已经在时间序列数据的研究中看到了相当大的用途,包括因果关系检测和信息流。在许多情况下,使用基于$k$ -最近邻(Kozachenko-Leonenko)的方法来估计熵。然而,这种估计的分析结果仅限于独立的数据。在这篇文章中,我们显示严格的边界上的衰减率的偏差的样本个数,$N$,假设它们是从一个平稳过程,满足一个合适的混合条件。数值例子表明,当应用到一个平稳高斯密度的马尔可夫过程的估计的效率。这些结果支持了理论工作中导出的渐近速率。
2019-08-03 cs.IT math.IT math.ST
Learning a latent pattern of heterogeneity in the innovation rates of a time series of counts
我们开发了一个贝叶斯分层半参数模型的现象有关的时间序列的计数。该模型的主要特点是它能够学习的过程创新率,这是软集群通过时间的帮助下,放置在模型层次结构的顶部的狄利克雷过程的分布的异质性的潜在模式。该模型的概率预测能力在匹兹堡的犯罪数据分析中进行了测试,取得了良好的效果。
2019-07-06 stat.ME
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
A dynamic hybrid model based on wavelets and fuzzy regression for time series estimation
本文将模糊逻辑与小波分解相结合,提出了一种用于金融时间序列估计的逐步动态混合模型。利用模糊回归、小波分解以及新的混合模型对著名的$SP500$指数金融时间序列进行了实证检验。实证检验表明了混合模型的有效性。
2011-02-17 math.ST q-fin.ST stat.TH
Estimation of Poisson Autoregressive Model for Multiple Time Series
本文将泊松自回归(PAR)模型视为加性模型,采用三次平滑样条与极大似然估计的混合方法进行参数估计,并将其推广至多重计数时间序列,发现该方法在计数值较大时优于状态空间方法且对结构变化具有稳健性。
2021-04-28 stat.CO stat.ME
Generic Variance Bounds on Estimation and Prediction Errors in Time Series Analysis: An Entropy Perspective
KTH Royal Institute of Technology(瑞典皇家理工学院);Tokyo Institute of Technology(东京工业大学);New York University(纽约大学)
在本文中,我们通过信息论的方法,得到了时间序列分析中的估计和预测误差的方差的一般界。通常可以看出,误差界限由给定边信息或过去观测的待估计或预测的数据点的条件熵确定。此外,我们发现,为了达到渐近的预测误差界,必要和充分条件是“新息”是渐近白高斯。当仅限于高斯过程和一步预测时,我们的界被证明可以简化为线性预测理论中的Kolmogorov-Szegö公式和Wiener-Masani公式。
2021-05-11 cs.IT cs.LG eess.SP
Trend and seasonality estimation for point-process time series
University of Wisconsin–Milwaukee(威斯康星大学密尔沃基分校)
本文提出了一种用于点过程时间序列趋势和季节性估计的简单M估计器,通过模拟研究其有限样本性能,并以芝加哥Divvy自行车共享系统中的自行车需求模式为例进行实数据应用。
2026-05-21 stat.ME
An empirical evaluation of alternative methods of estimation for Permutation Entropy in time series with tied values
Bandt和Pompe在2002年为时间序列引入了置换熵,其中忽略了相等的值,xt1 = xt2,t1 = t2,只考虑xt之间的不等式。从那时起,该测量已经被修改和扩展,特别是在序列中的相等值的量不能被忽略的情况下(即心率变异性(HRV)时间序列)。我们回顾了不同的现有方法,对待这个问题,根据他们不同的策略进行分类。此外,提出了一种新的贝叶斯缺失数据填补方法,证明了优于现有的方法,处理类型的时间序列。所有这些事实都通过模拟以及通过使用HRV时间序列区分患有充血性心力衰竭的患者与(健康)对照组来说明
2017-05-31 stat.ME
MPPN: Multi-Resolution Periodic Pattern Network For Long-Term Time Series Forecasting
China Mobile Research Institute(中国移动研究院)
针对长期时间序列预测中现有方法模式噪声多、可解释性差、忽略多变量个体特征的问题,提出MPPN架构,通过多分辨率语义单元、多周期模式挖掘、通道自适应模块及熵基可预测性评估方法,在9个基准上性能超越现有最优方法。
2023-06-12 cs.LG stat.ML
Estimation of time-delayed mutual information and bias for irregularly and sparsely sampled time-series
提出了一种基于时滞互信息经验偏差估计的时间序列相关性估计方法。特别是,时间延迟的互信息的偏差往往是等价的两个分布的点之间的互信息从同一个系统分离的无限时间。因此,直观地说,偏差的估计被简化为由大的时间间隔分隔的数据点的分布之间的互信息的估计。所提出的偏差估计技术的工作洛伦兹方程数据和葡萄糖时间序列数据的三个病人从哥伦比亚大学医学中心的数据库。
2011-10-07 nlin.CD physics.data-an q-bio.QM
Detecting Change-Points in Time Series by Maximum Mean Discrepancy of Ordinal Pattern Distributions
作为一种新的检测高分辨率时间序列中变点的方法,我们将最大均值离散化应用于时间序列不同部分的有序模式的分布。这种方法的主要优点是它的计算简单性和鲁棒性(非线性)单调变换,这使得它特别适合于长的生物物理时间序列的测量设备的精确校准是未知的或随时间变化的分析。我们建立的方法的一致性,并在模拟研究中评估其性能。此外,我们展示了应用程序的分析脑电图(EEG)和心电图(ECG)记录。
2012-10-16 cs.CE stat.ME
Estimation of cluster functionals for regularly varying time series: sliding blocks estimators
聚类指数描述了平稳时间序列的极值行为。我们考虑他们的滑动块估计。利用现代理论的多元,经常变化的时间序列,我们得到中心极限定理的条件下,可以很容易地验证了一个大类的模型。特别是,我们表明,在峰值超过阈值的框架,滑动和不相交的块估计有相同的极限方差。
2020-05-22 math.ST stat.TH
An Ordinal Pattern Approach to Detect and to Model Leverage Effects and Dependence Structures Between Financial Time Series
我们介绍了两种类型的顺序模式之间的依赖时间序列。阳性(分别为负的)顺序模式依赖性可以被看作是正的(分别是)的非参数的并且特别是非线性的对应物。负)相关。我们在一项探索性研究中发现,这两种类型的依赖性都出现在现实世界的金融数据中。
2015-01-29 math.PR math.ST q-fin.ST
Ordinal Patterns in Clusters of Subsequent Extremes of Regularly Varying Time Series
在本文中,我们研究的时间集群的极端定义为后续的高阈值在一个平稳时间序列的重复。这些聚类的两个有意义的特征是聚类大小的概率分布和聚类内的有序模式。由于这些模式只考虑了连续数据点的有序结构,因此该方法在单调变换和测量误差下具有鲁棒性。我们验证了相应的极限分布的存在性的框架下,定期变化的时间序列,开发非参数估计,并显示其渐近正态性在适当的混合条件。在模拟的例子和一个真实的数据应用程序,莱茵河的流量数据的估计器的性能。
2020-04-07 math.ST stat.ME stat.TH
Improving time series estimation and prediction via transfer learning
Shanghai University of Finance and Economics(上海财经大学);University of Hong Kong(香港大学)
针对高维小样本时间序列估计预测难的问题,提出基于表征的向量自回归模型迁移学习框架与两阶段正则化估计方法,经仿真和多国宏观经济数据实证验证有效。
2025-10-29 stat.ME
Time-Series Estimation from Randomly Time-Warped Observations
我们考虑的问题,估计一个信号从其扭曲的意见。这样的估计通常通过一些反向弯曲来改变观测值,或者求解计算要求高的优化公式来执行。虽然如果观测值很少,这些可能是不可避免的,但当大量扭曲观测值可用时,运行此类算法的成本可能过高。我们考虑的情况下,我们有很多的意见,并提出了一个计算简单的算法估计的功能感兴趣。我们证明了实用的算法上流式生物医学信号。
2021-12-02 eess.SP math.ST stat.TH
Pattern Sampling for Shapelet-based Time Series Classification
Johannes Gutenberg University Mainz(美因茨约翰内斯·古腾堡大学)
基于子序列的时间序列分类算法提供了准确和可解释的模型,但训练这些模型是非常计算密集型的。基于连续性的算法的渐近时间复杂度仍然是一个高阶多项式,因为这些算法是基于对高判别连续性的穷举搜索。模式采样是一种有效的解决模式爆炸问题的方法。因此,我们采用模式采样从离散时间序列数据中提取判别特征。基于离散化的时间序列数据创建加权trie树,以采样高度区分的模式。这些采样模式被用来识别形状,用于将时间序列分类问题转化为基于特征的分类问题。最后,可以使用任何现成的算法来训练分类模型。创建模式采样器需要少量的模式进行评估相比,以前的方法采用的穷举搜索。与以前提出的算法相比,我们的方法需要更少的计算和内存资源。实验证明了所提出的方法在分类精度和运行时性能方面的表现。
2021-02-16 cs.LG stat.ML
A Survey of Estimation Methods for Sparse High-dimensional Time Series Models
高维时间序列数据集在生物科学和社会科学的许多领域变得越来越普遍。一些重要的应用包括使用时程基因表达数据重建基因调控网络,从神经成像数据进行大脑连接分析,对大量宏观经济指标进行结构分析,以及研究金融公司之间的联系,以实现更有力的金融监管。这些应用程序导致了新的兴趣,在开发原则的统计方法和理论,估计大时间序列模型,只有相对较少的时间依赖的样本。稀疏建模方法由于其可解释性和预测准确性在过去二十年中在统计学和机器学习中得到了普及。虽然有丰富的文献中的几个稀疏诱导方法时,样本是独立的,这些方法估计时间序列模型的统计特性的研究仍在进行中。我们调查了这一领域的一些最新进展,侧重于经验上成功的套索为基础的估计方法的两个典型的多变量时间序列模型-随机回归和向量自回归。我们讨论了在高维时间序列分析中出现的关键技术挑战,并概述了几个有趣的研究方向。
2021-07-30 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
Estimation of cluster functionals for regularly varying time series: runs estimators
聚类指数描述了平稳时间序列的极值行为。我们认为运行估计的集群指数。利用现代理论的多元,经常变化的时间序列,我们得到中心极限定理的条件下,可以很容易地验证了一个大类的模型。特别是,我们表明,块和运行估计有相同的极限方差。
2021-09-05 math.PR math.ST stat.TH
Human-like Time Series Summaries via Trend Utility Estimation
University of Southern California(南加州大学);Information Sciences Institute(信息科学研究所)
在许多情况下,人类更喜欢基于文本的定量数据表示,而不是数字,表格或图形表示。文本摘要对于复杂数据的吸引力激发了对数据到文本系统的研究。虽然有几种用于时间序列的数据到文本工具,但很少有人试图模仿人类对时间序列的总结。在本文中,我们提出了一个为时间序列创建类人文本描述的模型。我们的系统发现时间序列数据中的模式,并根据使用效用估计对人类行为的经验观察对这些模式进行排名。我们提出的效用估计模型是一个贝叶斯网络捕捉不同模式之间的相互依赖性。我们描述了这个网络的学习步骤,并介绍了基线以及每个步骤的性能。我们的系统的输出是一个自然语言描述的时间序列,试图匹配人类的总结相同的数据。
2020-04-02 cs.LG stat.ML
A Bernstein-type Inequality for High Dimensional Linear Processes with Applications to Robust Estimation of Time Series Regressions
针对超高维、肥尾且序列相关的时间序列数据,本文提出新的 Bernstein 型不等式,并用于稳健时间序列回归和肥尾 VAR 估计,在温和条件下允许维数随样本量指数增长并保持一致性。
2023-04-19 math.ST stat.TH
MSTL: A Seasonal-Trend Decomposition Algorithm for Time Series with Multiple Seasonal Patterns
将时间序列分解成分量是一项重要的任务,有助于理解时间序列,并可以实现更好的预测。如今,高采样率导致高频数据(如每日、每小时或每分钟数据),许多真实世界的数据集包含时间序列数据,这些数据可以表现出多种季节模式。虽然已经提出了几种方法来更好地分解时间序列在这些情况下,他们往往是计算效率低或不准确。在这项研究中,我们提出了多个季节趋势分解使用黄土(MSTL),传统的季节趋势分解使用黄土(STL)过程的扩展,允许分解的时间序列与多个季节模式。在我们对合成和扰动的真实世界时间序列数据集的评估中,与其他分解基准相比,MSTL以较低的计算成本展示了具有竞争力的结果。MSTL的实现在R包预测中可用。
2021-07-28 stat.AP stat.CO
Estimation and inference for precision matrices of non-stationary time series
在本文中,我们考虑的估计和推断的精度矩阵的丰富的局部平稳和非线性时间序列的一类假设只有一个实现的时间序列观察。使用Cholesky分解技术,我们表明,精度矩阵可以直接估计通过一系列的最小二乘线性回归平滑时变系数。筛子的方法被用于估计,并被证明是有效的和最佳自适应的估计精度和计算复杂性方面。建立了一类基于非参数筛分估计的${\cal L}^2$检验的渐近理论。后者用于检验精度矩阵是对角矩阵还是带状矩阵。对一类广泛的非平稳非线性过程的二次型建立了高维高斯近似结果。
2019-03-25 math.ST stat.TH
Estimation of connectivity measures in gappy time series
提出了一种计算含间隙的多元时间序列连通性测度的新方法。不是移除或填充间隙,而是移除包含空条目的联合数据矩阵的行,并在余数矩阵上进行计算。该方法被称为测量自适应间隙去除(MAGR),可以应用于任何使用联合数据矩阵的连接性测量,例如互相关,互信息和传递熵。MAGR是有利的比较,使用这三种措施,一些已知的间隙填充技术,以及间隙闭合。在综合系统的时间序列和金融时间序列上说明了MAGR的优越性。
2015-04-29 math.ST physics.data-an q-fin.ST
Consistent diffusion matrix estimation from population time series
针对从群体快照中难以区分内在扩散与测量噪声的问题,提出结合群体时间序列与速度测量构建可证明一致的扩散矩阵估计器。
2024-08-26 q-bio.QM stat.ME
Bayesian Changepoint Estimation for Spatially Indexed Functional Time Series
我们提出了一个贝叶斯分层模型,同时估计基于空间相关的功能时间序列的变化点的均值。与以前的方法,假设在所有空间位置共享的变点或忽略空间相关性,我们的方法将变点作为一个空间过程。这使得我们的模型能够尊重空间异质性,并利用空间相关性来改善估计。我们的方法是来自无处不在的累积和(AUCUM)统计,占主导地位的功能时间序列中的变点检测。然而,而不是直接搜索的最大值的基于的过程,我们建立空间相关的两件线性模型与适当的方差结构,以定位所有的变化点一次。所提出的线性模型方法增加了我们的方法的鲁棒性,以变异性的CRAUM过程中,结合我们的空间相关性模型,提高了边缘附近的变点估计。我们通过广泛的模拟研究表明,我们的方法优于现有的功能变点估计的估计精度和不确定性量化方面,无论是弱和强的空间相关性,弱和强的变化信号。最后,我们使用温度数据集和2019年冠状病毒病(COVID-19)研究来证明我们的方法。
2022-01-08 stat.AP stat.ME
Penalized Likelihood Estimation in High-Dimensional Time Series Models and its Application
提出了平稳多时间序列模型中参数个数可能发散时惩罚拟极大似然(PQML)估计的一般理论框架。我们展示了高层次下的预言属性的PQML估计,但易于处理的假设,包括论文的前半部分。利用这些结果,我们在文章的后半部分提出了一种高维向量自回归(VAR)模型的稀疏估计方法。最后,通过仿真研究和收益率曲线预测的实证分析,验证了稀疏高维VAR模型的可用性。
2017-04-26 math.ST stat.AP stat.TH
Estimation for Latent Factor Models for High-Dimensional Time Series
研究了基于公共因子的高维时间序列降维问题。特别地,我们允许时间序列$p$的维度与样本大小$n$一样大,甚至更大。通过对$p\times p$非负定矩阵的特征分析,对因子载荷矩阵和因子过程本身进行估计。我们发现,当所有的因素是强的意义上说,在因子加载矩阵中的每一列的范数是$p^{1/2}$的顺序,估计因子加载矩阵,以及由此产生的估计精度矩阵的原始$p$ -变体时间序列,弱一致的$L_2$ -范数与独立的$p$的收敛速度。这个结果清楚地表明,在维度上,“诅咒”被“祝福”所抵消。我们还建立了估计的渐近性质时,并非所有的因素都是强的。对于后一种情况,一个两步估计程序是优选的,因此渐近理论。所提出的方法连同其渐近性质进一步说明了在模拟研究。一个实际的数据集的应用程序也报告。
2010-06-14 math.ST stat.ME stat.TH
Difference-Based High-Dimensional Long-Run Covariance Matrix Estimation for Mean-shift Time Series
Guangzhou University(广州大学);Nankai University(南开大学)
本文提出基于差分的初始估计器,结合硬阈值、软阈值和 tapering 方法,用于高维数据的稀疏长期协方差估计,在非常数均值时间序列中实现稳健估计。
2026-03-18 stat.ME
Pattern-based Long Short-term Memory for Mid-term Electrical Load Forecasting
Czestochowa University of Technology(琴斯托霍瓦理工大学)
这项工作提出了一个长短期记忆(LSTM)网络,用于预测一年内的月度电力需求时间序列。这项工作的新颖性是使用模式表示的季节性时间序列作为替代分解。模式表示简化了复杂的非线性和非平稳时间序列,过滤掉趋势和均衡方差。定义了两种类型的模式:x模式和y模式。前者需要对编码变量进行额外的预测。后者根据过程历史确定编码变量。基于x模式的混合方法比基于原始时间序列的标准LSTM方法更准确。在这种组合方法中,使用序列到序列LSTM网络预测x模式,并使用指数平滑预测编码变量。对35个欧洲国家的月度电力需求时间序列进行的模拟研究证实了所提出的模型的高性能及其与经典模型(如ARIMA和指数平滑以及MLP神经网络模型)的竞争力。
2020-04-22 cs.LG eess.SP stat.ML
Estimation of time series by Maximum Mean Discrepancy
ESSEC Business School(ESSEC商学院);ENSAE-CREST(法国国家统计与经济研究所-中央经济研究统计学院);Keio University(庆应义塾大学);Riken-AIP(理化学研究所人工智能中心)
本文提出了一种基于最大均值差异的估计方法,用于处理依赖数据中的动态过程,通过模拟近似不可行的模型分布,验证了方法在模型不规范情况下的稳健性。
2026-08-26 stat.ME
Wavelet estimation of the dimensionality of curve time series
函数式数据分析在科学和工程的大多数领域中无处不在。提出了几种范式来处理这种类型的数据所固有的维数问题。稀疏、惩罚、阈值等原则已被用于解决这一问题。我们在这里讨论的解决方案的基础上,有限维函数空间。我们采用小波表示的泛函来估计这个有限的维度,并成功地模拟了一个时间序列的曲线。所提出的方法具有良好的渐近性质。此外,小波表示允许使用几个引导程序,它导致更快的计算算法。除了理论和计算性能,一些模拟研究和应用程序的真实数据。
2018-09-03 stat.ME
Pattern Localization in Time Series through Signal-To-Model Alignment in Latent Space
University of Cantabria(坎塔布里亚大学);IMT Lille Douai(里尔-杜埃国立高等矿业电信学院);Tecnatom S.A.(泰克纳通公司)
在本文中,我们研究的问题定位一个预定义的序列模式的时间序列。特别是,所研究的方案假设一个理论模型是可用的,其中包含的模式的预期位置。这个问题在几种情况下都会出现,通常通过首先从模型中合成时间序列,然后通过动态时间扭曲将其与真实时间序列对齐来解决。我们提出了一种技术,增加了这两个时间序列的相似性,然后将它们映射到一个潜在的相关空间。映射是通过机器学习设置从数据中学习的。无损检测数据的实验表明,所提出的方法显示出显着的改进,在最先进的。
2018-02-19 cs.LG stat.ML
Autocovariance Estimation in the Presence of Changepoints
本文研究了均值漂移个数未知数时平稳自协方差结构的估计问题。本文提出并研究了受均值漂移变点污染的相依时间序列中自回归参数的Yule-Walker矩估计。该估计是基于序列的一阶差分,并且当变点数$m$和序列长度$N$满足$m/N \rightarrow 0$为$N \rightarrow \infty$时,证明了该估计是一致的和渐近正态的
2021-02-24 math.ST stat.ME stat.TH
Tail-robust estimation of factor-adjusted vector autoregressive models for high-dimensional time series
本文研究了通过因子调整向量自回归模型对高维厚尾时间序列数据建模问题,结合少量因子捕捉变量共动性和稀疏VAR模型捕捉剩余互联性,并通过数据截断和两阶段估计法处理厚尾问题,推导出估计率并验证其在模拟数据和宏观经济指标预测中的有效性。
2026-04-24 stat.ME
Estimation in a class of nonlinear heteroscedastic time series models
研究了一类异方差时间序列模型的参数估计问题。证明了条件最小二乘估计和条件似然估计的存在性。建立了它们的相合性和渐近正态性。定义了噪声密度及其导数的核估计,并证明了它们是一致相合的。仿真实验表明,该估计器在大样本量下具有良好的性能。
2008-02-01 math.ST stat.TH
On the Estimation of the Heavy-Tail Exponent in Time Series using the Max-Spectrum
本文讨论的问题,估计分布的尾部指数与沉重的,帕累托型的尾巴依赖的数据,这是金融,保险,环境监测和电信业务分析领域的兴趣。提出了一种基于块极大值的极大自相似缩放行为的新方法。该方法利用了越来越缺乏依赖性的最大值在大尺寸块,这证明是有用的时间序列数据。我们建立了一个大类的m-依赖时间序列的最大谱估计的一致性和渐近正态性,在制度的中间块最大值。在大块极大值的制度,我们证明了分布的一致性的估计范围广泛的时间序列模型,包括线性过程。最大谱估计器是一种鲁棒且计算效率高的工具,它为尾指数的估计提供了一种新的时间尺度视角。它的性能说明了在合成和真实的数据集。
2010-05-24 math.ST stat.ME stat.TH
TrendLSW: Trend and Spectral Estimation of Nonstationary Time Series in R
TrendLSW包提供小波技术分析非平稳时间序列,包括趋势下谱估计、趋势估计及置信区间,支持任意长度数据,无需预处理。
2024-11-05 stat.CO stat.ME
Extended Vertical Lists for Temporal Pattern Mining from Multivariate Time Series
University of Florida(佛罗里达大学)
时间模式挖掘(TPM)是在有监督的环境下从多变量时间序列中挖掘预测性复杂时间模式的问题。我们开发了一种新的方法,称为扩展垂直列表的快速时间模式挖掘。该方法利用了Apriori属性的扩展,该属性要求更复杂的模式仅出现在记录中所有子模式都被检测到的地方。该方法基于一种称为扩展垂直列表的新颖数据结构,该结构跟踪记录内模式的第一状态的位置。大量的计算结果表明,新的方法执行显着快于以前版本的算法TMP。然而,速度的提高是以内存使用为代价的。
2018-04-26 cs.LG stat.ML
Regularized estimation in sparse high-dimensional time series models
许多科学和经济问题涉及到高维时间序列数据集的分析。然而,迄今为止,高维统计的理论研究主要依赖于独立同分布(i.i.d.)样品在这项工作中,我们专注于稳定的高斯过程和研究的$\ell _1$ -正则化估计的理论性质在两个重要的统计问题的背景下,高维时间序列:(a)随机回归序列相关误差和(b)转移阵估计向量自回归(VAR)模型。我们推导出正则化估计的估计误差的非渐近上界,并建立了高维尺度下的一致估计是可能的,通过$\ell_1$ -正则化的一大类稳定的过程稀疏约束下。一个关键的技术贡献的工作是引进一种措施的稳定性平稳过程使用其频谱特性,提供了深入了解的影响依赖于正则化估计的准确性。利用这个稳定性测度,我们为相依数据建立了一些有用的偏差界,这些偏差界可以用来研究时间序列中几个重要的正则化估计。
2015-07-30 math.ST stat.ME stat.TH
Locally adaptive estimation methods with application to univariate time series
本文从理论和经验两个方面对单变量时间序列的三种局部自适应估计方法进行了统一的研究。给出了计算临界值的一般步骤。底层模型包含指数族的所有分布,提供了极大的灵活性。该程序适用于模拟和真实的金融数据分布根据高斯,波动率,泊松,指数和伯努利模型。数值结果显示了非常合理的性能的方法。
2008-12-02 math.ST q-fin.ST stat.TH
Estimation of the long-run variance of nonlinear time series with an application to change point analysis
本文针对伯努利位移类非线性时间序列,建立了长期方差平滑周期图估计量的渐近正态性,并将其应用于均值变点与长程依赖性的区分检验,通过模拟验证了方法性能。
2025-05-08 math.ST stat.TH
Trend estimation for time series with polynomial-tailed noise
针对非随机非等距时间点观测的时间序列,在函数有界全变差和误差低阶矩条件下,提出适应非 dyadic 样本量的 Haar 型基非线性小波估计器,推导多项式尾噪声稀疏信号阈值方案并应用于趋势估计。
2025-02-12 math.ST stat.TH
Root-n consistent estimation of the marginal density in some time series models
本文考虑了一类非线性自回归时间序列模型的边际密度估计问题,其中条件均值和方差具有参数化的规定。在一定的正则性条件下,我们证明了即使噪声密度未知,基于残差的核类型估计也可以是根-n一致的。我们的结果,这是有效的经典的时间序列模型,如ARMA或Gestival过程,大大扩展了现有的结果,得到了一些同程时间序列模型。我们的估计量的渐近展开是通过结合一些鞅型参数和耦合方法的时间序列,这是独立的利益。我们还研究了紧区间上估计的一致收敛性。
2016-10-28 math.ST stat.TH