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
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
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
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
Higher-order Motif-based Time Series Classification for Forced Oscillation Source Location in Power Grids
Xi’an Jiaotong University（西安交通大学）
本文提出基于高阶模体的模体嵌入相关场（MECF）无监督学习方法，用于定位电网强迫振荡源，无需系统模型先验知识，并在英国高压电网测试中验证了其有效性。
2023-06-23 cs.LG 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 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
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
Conditional-sum-of-squares estimation of models for stationary time series with long memory
利用Robinson（2005）的最新结果，研究了长记忆平稳时间序列参数模型的条件平方和（CSS）估计的渐近性质. CSS估计被认为是时间序列模型的高斯最大似然估计和Whittle估计的竞争对手。后一种估计已被严格证明是渐近正态分布的情况下，长记忆。然而，CSS估计，这应该有相同的渐近分布性质在类似的条件下，没有收到可比的待遇：截断的无限自回归表示固有的CSS估计已基本上被忽略的证明渐近正态性。与短记忆模型不同，它不能直接表明截断的影响可以忽略不计。
2007-02-26 math.ST stat.TH
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
Estimation of the mean of functional time series and a two sample problem
本文研究了基于函数型时间序列的均值函数的推断问题。函数型时间序列是指将连续时间记录分割成日曲线或年曲线而得到的曲线集合。我们开发了一个正常的近似功能样本均值，然后专注于估计的渐近方差核。利用这些结果，我们开发和渐近证明的两个功能样本的时间依赖性的平均值相等的测试程序。通过模拟研究和实际数据集的应用，这两个样本程序具有良好的规模和权力在有限的样本。我们提供了其数值实现的细节。
2011-04-29 math.ST stat.TH
Wavelet-based and Fourier-based multivariate Whittle estimation: multiwave
具有长相关性的多元时间序列在金融、物理学、神经科学等领域有着广泛的应用。许多软件包提供了单变量设置的估计工具，但很少有人解决多变量设置的长期依赖估计问题。多波包为多元时间序列提供了有效的估计方法。实现了时间序列的长记忆指数和长期协方差阵的两种半参数估计方法。第一种是由[18]提出的基于傅立叶的估计，第二种是在[4]中描述的基于小波的估计。本文的目的是提供一个概述的R包多波与其实际应用前景。
2018-11-26 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
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
Adaptive estimation for Weakly Dependent Functional Times Series
本文研究弱相依函数时间序列的局部正则性，提出适应稀疏或密集设计的非参数均值与自协方差函数估计量，并推导其渐近正态性以支持诚实推断。
2024-03-20 math.ST stat.TH
Orthogonal series estimation of the pair correlation function of a spatial point process
针对核估计量在成簇点模式小滞后下的偏差问题，提出一种新的对相关函数正交级数估计量，证明其一致性与渐近正态性，并在 Poisson 及成簇点过程模拟中优于核估计。
2017-02-06 math.ST 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
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
Robust estimation in time series with long and short memory properties
本文综述了线性时间序列模型中存在可加性野值时，具有短记忆和长记忆相关结构的稳健估计的研究进展。本文在Fajardo et al.（2009）和Lévy-Leduc et al.（2011 a）的基础上，重点研究了加性异常值对时间序列估计的影响、ARFIMA（p，d，q）模型中部分参数d的稳健自协方差函数的渐近性质和稳健半参数估计方法。当时间序列中存在可加性离群值时，一些模拟结果被用来支持鲁棒方法的使用。本文还讨论了具有异常值的ARFIMA模型中一阶差分估计的不变性。一般来说，鲁棒长记忆估计器具有抗离群值和对一阶差分不变性。
2011-12-29 stat.ME
Estimation of the Parameters of Vector Autoregressive (VAR) Time Series Model with Symmetric Stable Noise
本文提出了估计具有对称稳定噪声的$p$、$p\geq 1$阶向量自回归过程参数的分数低阶协方差方法。此外，我们通过蒙特卡罗模拟的效率，准确性和简单的方法。
2021-04-15 stat.ME
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
Multiple Change Point Estimation in Stationary Ergodic Time Series
给定一个异质时间序列样本，目标是找到生成数据的概率分布发生变化的时间点（称为变化点）。数据被假定为已产生的任意未知的平稳遍历分布。没有建模、独立性或混合假设。提出了一种新的，计算效率高，非参数的方法，并证明是渐近一致的，在这个一般的框架。理论结果与实验评价的补充。
2015-05-11 cs.IT math.IT math.ST
Fast and Robust Parametric Estimation for Time Series and Spatial Models
我们提出了一个新的框架，用于二阶平稳时间序列和随机场的稳健估计和推断。该框架基于广义小波矩方法，利用小波方差实现复杂模型的参数估计。使用小波方差的M-估计器，该方法可以是鲁棒的，因此当数据遭受离群值或不同形式的污染时，允许估计宽范围的时间序列和空间模型的参数。本文提出了一系列的模拟研究，以及一系列的应用，这种新的方法可以被认为是一种计算效率高，数值稳定和强大的方法，执行至少以及现有的方法在边界上的离群值的影响估计过程。
2016-07-20 stat.AP stat.ME
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
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
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
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
Pattern-Based Analysis of Time Series: Estimation
虽然物联网（IoT）设备和传感器创建连续的信息流，但大数据基础设施被认为可以实时处理大量数据。这种连续信息流的一种类型是时间序列数据。由于时间序列中信息的丰富性和概括统计量对封装这些数据中的结构和模式的不足，开发新的方法来学习时间序列是令人感兴趣的。在本文中，我们提出了一种新的方法，称为模式树，学习模式的时间序列使用一个二进制结构的树。虽然模式树可以用于许多目的，如无损压缩，预测和异常检测，在本文中，我们专注于它在时间序列估计和预测的应用。与其他方法相比，我们提出的模式树方法改善了估计的均方误差。
2020-05-02 cs.IT eess.SP math.IT
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
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
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
Non-parametric estimation of Stochastic Differential Equations from stationary time-series
研究了长平稳轨道上扩散方程（由布朗运动驱动的随机微分方程）的非参数估计的有效性。首先，我们引入基于条件期望的估计，这是由漂移和扩散系数的定义。这些估计涉及时间和空间离散化参数计算期望值从离散采样的平稳数据。接下来，我们分析这些估计的一致性和均方误差取决于计算参数。我们推导出观测点的数量，时间和空间离散参数之间的关系，以达到最佳的收敛速度和最小化计算复杂性。我们用数值模拟来说明我们的方法。
2021-05-25 math.PR math.ST physics.data-an
Improving time series estimation and prediction via transfer learning
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
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
Time Series Technical Analysis via New Fast Estimation Methods: A Preliminary Study in Mathematical Finance
新的快速估计方法源于控制理论导致一个新的看时间序列，它承担一些类似于“技术分析”。结果被应用到金融工程的一个典型对象，即外汇汇率的预测，通过一个“无模型”的设置，即，通过在滑动短时窗上反复辨识低阶线性差分方程。几个令人信服的计算机模拟，包括预测的位置和波动相对于预测的趋势线，提供。$\mathcal{Z}$ -变换和微分代数是主要的数学工具。
2008-11-16 math.AC math.OC math.ST
Periodic fluctuations in correlation-based connectivity density time series: application to wind speed-monitoring network in Switzerland
在本文中，我们研究了在瑞士的风速监测网络的连接密度时间序列的周期性波动。利用基于相关图的鲁棒周期图，发现基于相关图的网络存在年周期振荡。这种年度周期振荡的强度是较大的相关阈值较低和较小的较高。连接密度的年度周期性似乎与季节性气象气候循环相当一致。
2017-12-07 stat.AP
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 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
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
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
Investigating Central England Temperature Variability: Statistical Analysis of Associations with North Atlantic Oscillation (NAO) and Pacific Decadal Oscillation (PDO)
本研究利用1723-2023年CET数据，通过ARIMA和ARIMAX模型及频谱分析，发现NAO对英格兰中部温度变率的影响强于PDO，为理解区域气候动力学提供了框架。
2024-12-14 physics.ao-ph stat.ME
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
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
JANET: Joint Adaptive predictioN-region Estimation for Time-series
Hasso Plattner Institute（哈索·普拉特纳研究所）；University of California, Irvine（加州大学尔湾分校）；Royal Holloway, University of London（伦敦大学皇家霍洛威学院）；Icahn School of Medicine at Mount Sinai（西奈山伊坎医学院）
针对时间序列多步预测中保形预测受限于可交换性假设的问题，提出JANET框架，通过推广归纳保形框架生成具有受控K族错误率的联合预测区域，在多步预测任务中实现了更可靠且可解释的不确定性量化。
2025-05-29 cs.LG stat.ME stat.ML
Improving Harmonic Analysis using Multitapering: Precise frequency estimation of stellar oscillations using the harmonic F-test
本研究将mtNUFFT多锥度谱估计与谐波F检验结合，实现对恒星振荡周期信号的精确频率估计，并能区分瞬态与严格周期振荡，已集成于Python包tapify中。
2024-05-28 astro-ph.EP astro-ph.IM astro-ph.SR
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
Deep Pattern of Time Series and Its Applications in Estimation, Forecasting, Fault Diagnosis and Target Tracking
时间序列中包含的信息比值本身更多。本文提出了一种基于卡尔曼滤波的时变局部自相关多项式模型来描述时间序列的动态特性（或信号），并挖掘其深层模式，除了估计瞬时均值函数（也称为趋势函数），包括：（1）识别和预测时间序列的峰值和谷值;（2）报告和预测当前的变化模式（趋势的增加或减少模式，以及它的变化速度）。我们将证明，正是这种深层模式使我们能够对时间序列进行更高精度的估计和预测，轻松检测传感器的异常（故障），并跟踪高度机动的目标。
2019-12-19 cs.IT math.IT stat.AP
A Novel Hybrid Approach for Time Series Forecasting: Period Estimation and Climate Data Analysis Using Unsupervised Learning and Spline Interpolation
本文提出一种结合两个成熟时间序列模型的新型混合预测方法，利用无监督学习和样条插值新算法估计周期，在金奈气候数据上实现优化预测，推进预测技术并洞察气候数据。
2025-07-10 cs.NA math.NA stat.AP
