On the optimal prediction of extreme events in heavy-tailed time series with applications to solar flare forecasting
该研究建立了重尾等时间序列极端事件最优预测的Neyman-Pearson型理论框架，证明了经验预测器的渐近最优性并给出重尾模型的预测精度界，将方法应用于太阳软X射线通量序列，验证了长记忆及FARIMA模型在耀斑预报中的效果与局限。
2025-01-16 math.ST stat.AP stat.ME
Tail risk inference via expectiles in heavy-tailed time series
期望值定义了除了期望值之外唯一不变的、连贯的和可引出的风险度量。基于预期的风险度量的流行正在稳步增长，并且已经针对独立数据研究了它们的属性，但是需要进一步的结果来使用具有依赖时间序列的极端预期，例如金融数据。在本文中，我们建立了一个基础上的推断极端的期望值和期望为基础的边际预期不足一般$β$混合的背景下，包括ARMA，GRESS和GRESS模型的重尾创新。对金融收益的模拟和应用表明，当数据相关时，新的估计量和置信区间比现有的估计量和置信区间有很大的改进。
2021-10-12 math.ST stat.ME stat.TH
Statistics for Heteroscedastic Time Series Extremes
Einmahl，de Haan and Zhou（2016，Journal of the Royal Statistical Society：Series B，78（1），31-51）最近引入了一个允许极端异方差的随机模型。该模型被推广到观测值序列相关的情况，这对许多实际应用是至关重要的。证明了方差函数核估计的一个局部极限定理和积分方差函数估计的一个泛函极限定理。我们进一步证明了自举方案的一致性，允许测试的原假设的极端是同方差的。最后，我们提出了一个估计的极值指标的极端动态，并证明其一致性。所有的结果都说明了Monte Carlo模拟。一个重要的中间结果涉及序列相关下的序列尾经验过程。
2022-04-20 math.ST stat.TH
Simultaneous Inference for Partially Observed Functional Time Series
针对部分观测的依赖函数型时间序列，提出首个同时推断方法，结合高斯逼近与随机过程理论，构建同时置信带，并应用于城市污染超标检测。
2026-07-01 math.ST stat.ME stat.TH
Simultaneous Inference for Covariance and Precision Matrices of Long-Range Dependent Time Series
Booth School of Business, The University of Chicago（芝加哥大学布斯商学院）；Marshall School of Business, University of Southern California（南加州大学马歇尔商学院）；Department of Statistics and Data Science, Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学统计与数据科学系）；Department of Statistics, The University of Chicago（芝加哥大学统计学系）
本文提出一种Berry-Esseen型正态近似结果，用于长期依赖时间序列协方差和精度矩阵的有限样本界推断，采用鞅和m依赖近似及三元块构造方法，支持高维设置和自助法验证。
2026-04-17 math.ST stat.ME stat.TH
Time series conditional extremes
平稳时间序列中联合极值相关结构的精确建模是一个具有挑战性的问题，在许多应用中非常重要。以前解决这个问题的几种方法只适用于时间序列中某些类型的极值依赖，如渐近依赖或有限阶的马尔可夫时序列。在本文中，我们基于最近的概率结果开发了时间序列极端事件的统计方法学，这些结果使我们能够在目睹极端事件后灵活地对平稳时间序列的衰减进行建模。虽然有限阶的马尔可夫序列自然地被我们的方法所容纳，但我们考虑了一个更广泛的设置，基于条件极值模型，它允许时间序列中广泛的可能依赖结构。我们考虑基于蒙特卡罗模拟的推理，并推导出一个常用的重要性抽样方差的上界。我们的方法是通过模拟数据和时间序列的日最高气温从法国奥尔良的集群泛函估计说明。
2023-03-08 stat.ME
Auto-Regressive Approximations to Non-stationary Time Series, with Inference and Applications
本文证明一般非平稳非线性时间序列可由缓慢发散阶的白噪声驱动AR过程全局逼近，并提出系数推断的高维L²检验、乘子自助法和自适应稳定性检验，进而建立局部平稳序列的全局最优短期预测理论。
2023-04-24 math.ST stat.ME stat.TH
Inference for Multiple Change-points in Piecewise Locally Stationary Time Series
The Hang Seng University of Hong Kong（香港恒生大学）；The Chinese University of Hong Kong（香港中文大学）
本文提出了一种基于似然的方法，用于推断局部平稳时间序列中的多个转折点，区分跳跃和拐点，并建立了相应的渐近分布。
2026-01-15 math.ST stat.ME stat.TH
Inference for Multiple Change-points in Linear and Non-linear Time Series Models
本文提出了一种用于分段平稳时间序列多变点推断的广义似然比扫描方法（GLRSM），该方法估计变点的个数和位置，并为每个变点提供一个置信区间。对于一系列长度为$n$的序列，使用GLRSM进行多个变点检测的计算复杂性度低至$O(n(\log n)^3)$。一致性的估计数量和位置的变化点的建立。广泛的模拟研究，以证明所提出的方法在不同的情况下的有效性。
2017-03-02 math.ST stat.TH
Conditional Extreme Value Estimation for Dependent Time Series
Department of Mathematical Sciences, University of Copenhagen（哥本哈根大学数学科学系）
本文提出了一种基于条件尾过程的依赖时间序列极值估计方法，通过α-混合和β-混合条件分析，应用于石油工业极端事件建模，揭示了不同条件值下的尾部行为差异。
2026-02-03 math.ST stat.TH
Statistical Inference for High Dimensional Panel Functional Time Series
在本文中，我们开发了高维函数时间序列的统计推断工具。我们在平方可积函数空间中引入了物理相关过程的新概念，该概念采用了平方可积函数空间中函数数据基分解的思想，并推导出了高维函数时间序列和的高斯和乘子自助逼近。这些结果有许多重要的统计后果。例如，我们认为联合同时置信带的均值函数和建设的假设，即在空间维度上的均值函数是平行的测试的发展。通过一个小的模拟研究和加拿大的温度数据分析的结果说明。
2020-03-12 math.ST stat.TH
Lasso Inference for High-Dimensional Time Series
在本文中，我们开发了有效的推理高维时间序列。我们扩展的desparsified套索的时间序列设置下的近时代依赖性（NED）的假设，允许非高斯，连续相关和heteroskedastic过程中，回归的数量可能会增长得比时间维度更快。我们首先推导出弱稀疏性下的误差界，再加上NED假设，这意味着这个不等式也可以应用于在解parsified lasso中执行的（固有错误指定的）逐节点回归。这使我们能够在一般条件下，包括增加尺寸的参数的推断，建立一致的渐近正态性的desparsified套索。此外，我们还证明了长期方差估计的一致性，从而提供了一套完整的工具，用于在高维线性时间序列模型中进行推断。最后，我们进行了模拟练习，以证明在常见的时间序列设置的解parsified套索的小样本属性。
2022-09-01 econ.EM math.ST stat.TH
Inference of weighted $V$-statistics for nonstationary time series and its applications
研究了一类非平稳非线性过程的傅里叶变换的性质。从傅里叶分析的角度，建立了一类非退化和退化加权$V$ -统计量的渐近中心和非中心极限定理. $V$ -统计学的建立理论为非平稳时间序列的分析中的许多重要的时间和谱域问题提供了统一的处理，范围从非参数估计到周期图和谱密度的推断。
2014-01-16 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
Simultaneous Inference of a Partially Linear Model in Time Series
本文提出一种针对部分线性时间序列回归模型中多元非参数函数的联合置信区域构建方法，通过扩展高维高斯逼近至相依过程，适用于多种自回归模型，并经模拟和远期溢价回归验证。
2023-09-02 econ.EM math.ST stat.ME
Inference for Non-Stationary Heavy Tailed Time Series
针对重尾非平稳时间序列，本文用时变线性过程的局部平稳逼近构造一致估计量，并以自加权方案在有无有限方差时均恢复渐近正态性。
2024-07-07 math.ST stat.TH
Indirect Inference for Time Series Using the Empirical Characteristic Function and Control Variates
当真实的特征函数不能显式计算时，通过最小化经验和模拟特征函数之间的综合加权均方误差来估计平稳时间序列过程的参数.受间接推理的启发，我们使用基于iid模拟块的特征函数的Monte Carlo近似。作为一个经典的方差减少技术，我们建议使用的控制变量，以减少这种蒙特卡罗近似的方差。这两个近似产生两个新的估计，适用于一个大类的时间序列过程。我们证明了强混合，矩条件下的参数估计的一致性和渐近正态性，以及模拟块相对于其参数的光滑性。在模拟研究中，我们显示了这些新的模拟为基础的估计的良好性能，和控制变量为基础的估计泊松驱动的时间序列的计数的优越性。
2021-02-02 math.ST stat.TH
Transformed-Linear Innovations Algorithm for Modeling and Forecasting of Time Series Extremes
本文针对非负正则变化时间序列，基于变换线性算术和内积空间理论提出变换线性新息算法，用于预测与MA模型参数估计，并证明该类模型在尾部成对依赖函数类中稠密，模拟显示其能捕捉GARCH(1,1)等模型的尾部依赖性。
2023-09-18 math.ST stat.TH
Sparse-GEV: Sparse Latent Space Model for Multivariate Extreme Value Time Serie Modeling
University of Southern California（南加州大学）；IBM T.J. Watson Research Center（IBM T.J. Watson研究中心）
在时间序列模型的许多应用中，如气候分析、社交媒体分析等，我们往往对极端事件感兴趣，如热浪、阵风、突发话题等。这些时间序列数据通常呈现重尾分布而不是高斯分布。由于对数据分布的假设差异很大，而且缺乏足够的极端事件过去数据，这对现有方法构成了巨大挑战。在本文中，我们提出了Sparse-GEV模型，一个潜在的状态模型的基础上的极值建模理论，自动学习稀疏的时间依赖性，并作出预测。我们的模型是理论上有意义的，因为它是第一个模型，学习稀疏的时间依赖性之间的多元极值时间序列。我们证明了我们的算法的性能优越的国家的最先进的方法，包括格兰杰因果关系，copula方法和转移熵，一个合成数据集，一个气候数据集和两个Twitter数据集。
2012-06-18 cs.LG stat.AP stat.ME
Self-Normalized Inference in (Quantile, Expected Shortfall) Regressions for Time Series
本文提出基于自归一化的时间序列（分位数，期望损失）回归推断方法，无需调优参数且尺寸正确，并通过模拟和两个实证应用验证其有效性。
2025-06-23 econ.EM math.ST stat.TH
Inference on common trends in functional time series
Aarhus Center for Econometrics（奥胡斯计量经济学中心）；Aarhus University（奥胡斯大学）
本文研究了在Hilbert空间中时间序列的单位根和协整的统计推断，提出对嵌入时间序列中的共同随机趋势数量（非平稳子空间维度）的推断方法，并考虑非平稳和平稳子空间的假设检验。
2026-07-06 econ.EM math.ST stat.TH
Causal tail coefficient for compound extremes in multivariate time series
本文提出复合因果尾部系数及bootstrap检验框架，用于检测多元时间序列中复合极端事件之间的因果关系，可处理非线性与潜在混杂变量，并通过理论、模拟和空间天气数据验证其有效性。
2025-09-23 stat.ME
Sample Splitting and Weak Assumption Inference For Time Series
我们考虑在时间序列背景下在弱假设下模型选择后的推断问题。即使当数据是不独立的，我们表明，样本分裂仍然是渐近有效的，只要过程满足适当的弱依赖条件和感兴趣的功能是适当的良好行为。此外，如果推断目标被适当地定义，我们证明，有效的统计推断是可能的，而不假设平稳性。作为一个工作的例子，我们考虑后选择推理的回归系数下的随机设计假设，其中对$(Y_i, X_i) \in \mathbb{R}^{p_n}$被假定为一个观察从一个弱相关的三角形阵列。我们建立（渐近）样本分裂有效性下的回归系数$β$混合和$τ$依赖的假设。为了便于在非平稳、弱相关区域进行统计推断，我们扩展了Doukhan和Wintenberger（2007）的中心极限定理。为了推广他们的结果，我们得到了弱相依过程的归一化和的方差的一些性质。特别是，我们表明，在非常一般的条件下，方差往往是很好的近似独立的块。利用这一结果，我们推导出块乘数引导下$θ$依赖的有效性，并证明了弱假设下的样本分裂与引导相结合的推理过程的有效性。
2019-02-25 math.ST stat.TH
Risk measure estimation for $β$-mixing time series and applications
在本文中，我们讨论了极值理论的应用背景下，平稳的$β$ -混合序列属于Fréchet吸引区域。特别是，我们提出了一种方法来构建偏差校正尾部估计。我们的方法是基于组合的两个估计的极值指数，以消除偏差。由此产生的估计量用于估计极端分位数。在模拟研究中，我们概述了我们的建议，我们最近在文献中介绍的替代估计的性能。此外，我们在可能的情况下计算特定示例中的渐近方差。我们的方法适用于两个数据集的金融和环境。
2017-08-22 math.ST stat.TH
Transformed-Linear Models for Time Series Extremes
为了捕捉在上尾的时间序列的依赖性，我们开发了非负的定期变化的时间序列模型，类似于经典的非极端ARMA模型。而不是充分表征尾部依赖的时间序列，我们定义了弱尾平稳性的概念，使我们能够描述一个经常变化的时间序列通过尾部成对依赖函数（TPDF），这是一个衡量成对极值依赖。我们的状态之间的一致性要求的有限维集合的元素的定期变化的时间序列，并显示TPDF的值不依赖于正在考虑的尺寸。为了使我们的模型取非负值，我们使用了变换线性运算。我们证明了这些模型的存在性和平稳性，并发展了它们的性质，如模型TPDF的。此外，我们还证明了这类变换线性MA（$\infty$）模型构成了一个内积空间。出于调查有利于野火蔓延的条件，我们适合模型每小时风速数据，并发现拟合的转换-线性模型产生更好的估计上尾量比传统的ARMA模型或比经典的线性定期变化的模型。
2021-10-25 stat.ME
Functional time series forecasting of extreme values
我们考虑预测函数时间序列的极值内的广义极值分布（GEV）。GEV分布可以使用三个参数（位置、尺度和形状）来表征。因此，通过预测这三个潜在参数，可以实现GEV密度的预测。根据底层数据结构，这三个参数中的一些可以建模为标量或函数。我们提供了两种预测算法来建模和预测这些参数。为了评估预测的不确定性，我们采用了一个筛选自助方法来构建逐点和同时预测区间的预测极值。以每日最高温度数据集为例，我们展示了将这些参数建模为函数的优势。此外，我们的方法的有限样本的性能进行了量化使用几个蒙特卡罗模拟数据下的一系列场景。
2020-12-19 stat.AP stat.ME
Inference for nonstationary time series of counts with application to change-point problems
我们考虑一个整数值的时间序列$Y=(Y_t)_{t\in\Z}$，其中模型在一个时间$k^*$是泊松自回归的条件平均值，取决于一个参数$θ^*\inΘ\subset\R^d$。$k^*$之前的流程结构未知;它可以是任何其他整数值时间序列，也就是说，过程$Y$可以是非平稳的。证明了在非平稳观测值下计算的$θ^*$的极大似然估计是相合且渐近正态的。其次，我们在一大类Poisson自回归模型中进行了序贯变点检测。我们提出了一个监测计划，用于检测模型中的变化。该过程是基于一个更新的估计，这是计算没有历史观测。研究了检测器的渐近行为，特别地，将上述关于非平稳环境下推断的结果应用于证明所提出的方法是一致的。提供了模拟研究以及实际数据应用。
2020-05-02 math.ST stat.TH
Bootstrap Based Inference for Sparse High-Dimensional Time Series Models
将稀疏模型拟合到高维时间序列是统计推断的一个重要领域。在本文中，我们考虑稀疏向量自回归模型和发展适当的自助方法来推断这样的过程的属性。我们的引导方法产生伪时间序列使用基于模型的引导程序，其中涉及一个估计，稀疏版本的基础向量自回归模型。使用自回归模型参数的所谓去稀疏或去偏估计量进行推断。我们推导出这种估计量的渐近分布在时间序列的上下文中，并建立渐近有效性的自助程序提出的估计，并适当修改，用于测试的目的。特别是，我们专注于测试，大组的自回归系数等于零。我们的理论结果是补充模拟研究有限样本性能的自举方法。一个真实的数据应用程序。
2019-09-24 stat.ME
Bayesian inference of natural selection from allele frequency time series
随着古代DNA技术的出现，现在可以直接确定祖先群体中的等位基因频率，从而能够利用等位基因频率时间序列来检测和估计自然选择。这种对等位基因频率动态的直接观察，预计比利用从现代个体获得的连锁中性变异模式进行的推断更有力。我们开发了一种贝叶斯方法，利用等位基因频率时间序列数据，推断一般二倍体选择的参数，随着等位基因年龄，在非平衡群体。我们引入了一种新的路径增强方法，在该方法中，我们使用马尔可夫链蒙特卡罗积分的等位基因频率轨迹与观测数据一致的空间。使用模拟，我们表明，这种方法有很好的权力，估计选择系数和等位基因年龄。此外，当我们的方法应用于数据的马大衣的颜色，我们发现，忽略相关的人口统计学的历史可以显着偏见的推断结果。我们的方法是在一个C++软件包。
2016-01-20 math.ST q-bio.PE stat.TH
Inference for bivariate extremes via a semi-parametric angular-radial model
本文提出一种基于半参数角-径模型的多元极值推断新框架，克服了现有方法在依赖形式和参数假设上的局限，提供评估联合尾部行为的统一范式及不确定性和拟合优度评估技术，在模拟和海洋气象数据上表现良好。
2024-07-09 stat.AP stat.ME
Modelling, simulation and inference for multivariate time series of counts
本文提出了一种新的连续时间建模框架的多元时间序列的计数，具有无限可分的边缘分布。该模型基于由Lévy噪声驱动的混合移动平均过程-称为拖网过程-其中序列相关性和横截面依赖性彼此独立地建模。这样的过程可以表现出短或长的记忆。我们推导出一个随机模拟算法和一个统计推断方法，这样的过程。新的方法，然后应用到高频的金融数据，在那里我们调查的数量之间的关系的限制订单提交和删除的限制订单书。
2016-08-10 stat.ME
Identification of Risk Extreme Values in a Time Series and Analysis with an Autoregressive Method - Application for Climate Risk Events
在这篇文章中，我们不打算重复风险管理的基本概念，但我们将尝试定义为什么经常是有用的时间序列分析在评估风险，以及如何可能计算一个有意义的分析使用回归和自回归。在介绍了趋势分析的一些基本概念后，将介绍一些识别峰的方法.当不需要使用完整的时间序列时，这通常是有用的，因为有时只关注极端情况更实际。在没有异常数据的正确时间序列的情况下，用简单的自回归模型处理极值时间序列。这就需要知道时间序列是否在周期之间具有相关性，以及有多少周期可以被认为是滞后的。我们认为，气候事件往往是滞后的，因为气候表现出明显的增长趋势，气候风险在此期间潜在地增加。不会有与风险管理相关的具体结论，因为所提出的自回归解决方案可以适用于任何时间序列分析。
2016-01-12 stat.AP
Scalable Bayesian inference for time series via divide-and-conquer
针对极长时间序列的贝叶斯推断可扩展性难题，本文提出一种带精度保证的简单分而治之方法，并通过模拟与真实数据验证其有效性。
2025-10-21 stat.CO stat.ME
GARCH-UGH: A bias-reduced approach for dynamic extreme Value-at-Risk estimation in financial time series
在险价值（Value-at-Risk，VaR）是金融风险管理中广泛使用的工具。从操作和监管的角度来看，在极端水平下估计损失收益分布的风险价值是金融应用中的一个重要问题;特别是，最近的过去，极端风险价值的动态估计受到了极大的关注。本文提出了一种两步偏差减小的估计方法GARCH-UGH（Unbiased Gomes-de Haan），即首先使用AR-GARCH模型对金融收益进行滤波，然后将偏差减小的极值分位数估计应用于标准化残差，以估计一步前的动态极值VaR。我们的研究结果表明，GARCH-UGH估计是更准确的角度来看，通过传统的AR-GARCH滤波和极值估计的样本内和样本外回测的几个金融时间序列的历史日收益率。
2021-04-20 q-fin.RM stat.AP
Adaptive Change Point Inference for High Dimensional Time Series with Temporal Dependence
本文研究高维时间序列的变点推断，提出基于max-$L_2$范数的检验程序，并利用Cauchy组合方法将其与现有max-$L_\infty$统计量结合，构建了在不同稀疏度下均稳健有效的自适应推断方法。
2025-11-03 stat.ME
Predictive Inference for Spatio-temporal Precipitation Data and Its Extremes
降水量及其极端情况的建模对于城市和农业规划很重要。我们提出了一种方法，用于产生空间预测和时空数据的不确定性的措施，是重尾和substantial偏度，经常出现在许多环境过程的测量，我们将该方法应用于降水数据在西澳大利亚州西南部。一个广义双曲贝叶斯层次模型的强度，频率和持续时间的日降水量，包括极端。与基于极值理论的模型不同，该模型仅对有限大小的块或高于大阈值的最大值进行建模，所提出的模型有效地使用了所有可用的数据，因此不仅适合极端情况，而且还模拟了整个降雨分布。它捕捉空间和时间聚类，以及空间和时间变化的波动性和偏度。该模型假设区域降水是由一个潜在的过程，其特征是地理和气候协变量驱动。未完全描述的协变量的影响被捕获的空间和时间结构的层次结构。MCMC使用梅特罗波利斯-黑斯廷斯算法和空间插值方法提供推断，这为估计不确定性提供了一种自然的方法。同样，空间和时间的预测与不确定性可以产生的模型。
2014-11-18 stat.AP 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
Inference on the tail process with application to financial time series modelling
为了推断重尾马尔可夫链中的序列极值依赖性，Drees，Segers和Warchoirs [Extremes（2015）18，369- 402]提出了谱尾过程的非参数估计。该方法可以扩展到更一般的设置一个固定的，定期变化的时间序列。利用聚类泛函的经验过程理论，得到了估计量的大样本分布。通过蒙特卡罗模拟评估这些估计的有限样本性能。此外，两个不同的引导计划，产生置信区间的前渐近谱尾过程：平稳引导和乘子块引导。将该估计应用于股票价格数据，研究了正负冲击的持续性。
2018-01-29 stat.ME
Simultaneous Inference for Time Series Functional Linear Regression
Illinois State University（伊利诺伊州立大学）；University of Toronto（多伦多大学）
本文提出一种统一的乘数Bootstrap方法，用于构建时间序列标量-函数线性回归系数函数的联合置信带，该方法在粗糙度惩罚估计下具有正确的覆盖概率渐近性，并对不一致估计的标准差具有渐近鲁棒性。
2026-04-27 stat.ME
SSM: Inference for time series analysis with State Space Models
开源库SSM背后的主要动机是减少技术摩擦，这些摩擦阻止建模人员共享他们的工作，在危机情况下快速迭代，并使他们的工作直接被公共当局用于决策。
2014-02-16 stat.CO
Deconvolution of mixing time series on a graph
在许多应用中，我们有兴趣从间接测量中对潜在的时间序列进行推断，这些间接测量通常是混合或聚合产生的低维投影。正电子发射断层扫描、超分辨率和网络流量监控就是一些例子。在这种情况下的推理需要解决一系列不适定的逆问题y_t= Ax_t，其中投影机制提供关于A的信息。我们考虑的问题，其中A指定的时间序列是突发和稀疏的图上的混合。我们开发了一个多级状态空间模型的混合时间序列和一个有效的方法来推断。一个简单的模型是用来校准正则化参数，导致有效的推断，在多级状态空间模型。我们应用这种方法来估计点到点的网络上的流量从聚合测量的问题。我们的解决方案优于现有的方法，这个问题，我们的两个阶段的方法提出了一个有效的推理策略的依赖时间序列的多级模型。
2011-06-10 cs.SI stat.ME
Online Bootstrap Inference for the Trend of Nonstationary Time Series
LMU Munich（慕尼黑大学）；Munich Center for Machine Learning（慕尼黑机器学习中心）
提出一种在线自助法方案，用于非平稳时间序列的非参数水平估计，实现可扩展的不确定性量化，适用于自适应异常检测、在线监测等场景。
2026-06-26 stat.CO stat.ME
Inference for Network Count Time Series with the R Package PNAR
本文介绍了R包PNAR，用于网络计数时间序列推断，提供非线性模型拟合、线性检验算法及copula Poisson模拟，并以德国流感数据验证。
2023-10-25 stat.CO stat.ME
Stanza: A Nonlinear State Space Model for Probabilistic Inference in Non-Stationary Time Series
Duke University（杜克大学）
具有长期结构的时间序列出现在各种背景下，捕获这种时间结构是时间序列分析中的关键挑战，用于推断和预测设置。传统上，状态空间模型已经成功地提供了潜在空间中的轨迹的不确定性估计。最近，深度学习，基于注意力的方法已经实现了序列建模的最新性能，尽管通常需要大量的数据和参数来实现。我们提出了一种非线性、非平稳状态空间模型Stanza，作为一种中间方法，以填补复杂时间序列的传统模型和现代深度学习方法之间的差距。Stanza在高度结构化的时间序列的竞争性预测准确性和概率性、可解释性推理之间取得了平衡。特别是，Stanza在现实世界的数据集上实现了与深度LSTM竞争的预测准确性，特别是对于多步预测。
2020-06-11 cs.LG stat.ML
Neural Inference Functions for Margins for Time Series Copula Models
University of Wollongong（伍伦贡大学）；University of New South Wales（新南威尔士大学）
提出基于神经网络的N-IFM方法，用于高效估计多元时间序列Copula模型参数，在保持推断精度的同时大幅降低计算成本。
2026-10-19 stat.CO
Variational Inference for On-line Anomaly Detection in High-Dimensional Time Series
Technische Universität München（慕尼黑工业大学）；fortiss（福蒂斯研究所）
近似变分推断已被证明是建模未知复杂概率分布的有力工具。该领域的最新进展使我们能够学习积极利用空间和时间结构的序列的概率模型。我们应用随机递归网络（STORN）来学习机器人时间序列数据。我们的评估表明，我们可以鲁棒地检测异常离线和在线。
2016-06-14 cs.LG stat.ML
Amortised Likelihood-free Inference for Expensive Time-series Simulators with Signatured Ratio Estimation
University of Oxford（牛津大学）；Improbable（Improbable公司）；Durham University（杜伦大学）
在自然科学和社会科学中，复杂动力学的仿真模型通常缺乏易于处理的似然函数，使得传统的基于似然的统计推断变得不可能。机器学习的最新进展已经引入了新的算法，用于使用基于二进制分类器的似然比技巧来估计否则难以处理的似然函数。因此，有效的似然近似可以获得良好的概率分类器，可以构建。我们提出了一个核分类器的顺序数据使用路径签名的基础上最近推出的签名内核。我们证明了签名的代表性力量产生了一个高性能的分类器，即使在至关重要的情况下，样本数很低。在这种情况下，我们的方法可以优于复杂的神经网络常见的后验推理任务。
2022-02-23 cs.LG stat.CO stat.ME
Inferring Individual Level Causal Models from Graph-based Relational Time Series
Adobe Research（Adobe研究）；Intel Labs（英特尔实验室）
在这项工作中，我们正式的因果推理的问题，在基于图的关系时间序列数据中，图中的每个节点有一个或多个时间序列相关联的，我们提出了因果推理模型，利用图的拓扑结构和时间序列，以准确地估计节点的局部因果效应。此外，关系时间序列因果推理模型能够通过利用局部以节点为中心的时间依赖性和拓扑/结构依赖性来估计单个节点的局部效应。我们发现，简单的因果模型，不考虑图形拓扑恢复的特殊情况下，建议的关系时间序列因果推理模型。我们描述的条件下，由此产生的估计可用于估计因果关系的影响，并描述如何的Durbin-Wu-Hausman测试规格可用于测试的一致性，从数据的建议估计。从经验上讲，我们证明了因果推理模型的有效性与已知的地面真理和一个大规模的观测关系的时间序列数据集从维基百科收集的合成数据。
2020-01-23 cs.LG cs.SI stat.ML
Learning summary features of time series for likelihood free inference
Inria（法国国家信息与自动化研究所）
科学界对使用无似然推理（LFI）来确定给定模拟器模型的哪些参数可以最好地描述一组实验数据越来越感兴趣。尽管令人兴奋的最近的结果和广泛的可能的应用，一个重要的瓶颈LFI时，应用于时间序列数据是定义一组摘要功能的必要性，往往是手工定制的基础上的领域知识。在这项工作中，我们提出了一个数据驱动的策略，用于自动学习单变量时间序列的摘要功能，并将其应用于自回归移动平均（ARMA）模型和Van der Pol振荡器产生的信号。我们的研究结果表明，即使在线性情况下，从数据中学习摘要特征也可以竞争甚至优于基于手工值（如自相关系数）的LFI方法。
2020-12-04 cs.LG stat.AP stat.ML
Estimating changes in temperature extremes from millennial scale climate simulations using generalized extreme value (GEV) distributions
极端天气的变化可能会产生人类气候变化的一些最大的社会影响。然而，从短期观测记录中估计极端事件的变化本质上是困难的。在这项工作中，我们使用千禧年运行从CCSM 3在平衡的工业化前和未来可能的条件下，研究如何极端变化在这个模型中，以及如何以及这些变化可以估计为运行长度的函数。我们估计未来的极端温度分布的变化（年度最小值和年度最大值）在美国本土通过拟合广义极值（GEV）分布。使用1000年前的工业和未来的时间序列，我们表明，温暖的极端的幅度在很大程度上根据夏季温度的平均变化。相比之下，寒冷的极端温暖的冬季温度的平均变化，但GEV位置参数的变化在很大程度上是可以解释的平均变化与冬季温度变化减少相结合。此外，在内陆地区极端寒冷的GEV分布的传播和形状的变化，可以导致尾部行为的可辨别的变化。然后，我们研究使用较短的模型运行所产生的不确定性。原则上，GEV分布提供了理论依据，可以使用比这些事件的重现频率更短的时间序列来预测罕见事件。为了研究这种方法在实践中的效果，我们使用不同长度的片段来估计20年，50年和100年的极端事件。我们发现，即使使用GEV分布，时间序列，是可比的或更短的长度比利益的回报期可能会导致非常差的估计。这些结果表明，当试图使用短期观测时间序列或模型运行来推断罕见的极端情况时，应谨慎。
2016-06-14 stat.AP
Structured Black Box Variational Inference for Latent Time Series Models
Disney Research（迪士尼研究院）
连续潜在时间序列模型在贝叶斯建模中很普遍;示例包括卡尔曼滤波器、动态协同过滤或动态主题模型。这些模型通常受益于结构化的，非平均场变分近似，捕获时间步长之间的相关性。黑盒变分推断与重新参数化梯度（BBVI），使我们能够探索一个丰富的新的类贝叶斯非共轭潜在的时间序列模型，然而，一个天真的BBVI的应用程序，这样的结构化变分模型将规模平方的时间步长。我们描述了一个BBVI算法类似的向前向后算法，而不是线性缩放的时间。它允许我们有效地从变分分布中采样并估计ELBO的梯度。最后，我们展示了最近提出的动态单词嵌入模型的结果，该模型是使用我们的方法训练的。
2017-07-04 cs.LG stat.ML
Factorized Inference in Deep Markov Models for Incomplete Multimodal Time Series
A*STAR（新加坡科技研究局）；MIT（麻省理工学院）；National University of Singapore（新加坡国立大学）
将深度学习与潜在的状态空间模型相结合，有可能产生功能强大、易于处理和解释的时间模型。不幸的是，目前的模型并没有设计用于处理丢失的数据或多种数据模式，这两者在现实世界的数据中都很普遍。在这项工作中，我们引入了一种多模态深度马尔可夫模型（MDMMs）的因子分解推理方法，使我们能够在存在缺失数据的情况下进行过滤和平滑，同时还可以执行不确定性感知的多模态融合。我们通过对后验p（z）进行因式分解来推导该方法。|x）对于非线性状态空间模型，并开发了用于推理的变分向后-向前算法。由于我们的方法处理时间和模态上的不完整性，因此它能够对多模态时间序列进行内插、外推、条件生成、标签预测和弱监督学习。我们在高水平的数据删除下，在合成和真实世界的多模态数据上展示了这些功能。我们的方法即使在缺失数据超过50%的情况下也表现良好，并且在潜在时间序列中的推理方面优于现有的深度方法。
2019-11-22 cs.AI cs.LG cs.NE
Applying SVGD to Bayesian Neural Networks for Cyclical Time-Series Prediction and Inference
Columbia University（哥伦比亚大学）；Uber AI Labs（优步人工智能实验室）
提出了一种基于回归的BNN模型来预测具有校准不确定性的时空量，如小时乘客需求。本文的主要贡献是（一）前馈确定性神经网络（DetNN）的架构，预测周期性的时间序列数据与异常预测事件的敏感性;（二）贝叶斯框架应用SVGD训练大型神经网络等任务，能够产生时间序列预测以及周围的预测的不确定性措施。实验表明，与微调的多层感知器（MLP）相比，所提出的BNN在美国8个城市的平均估计误差降低了10%，比没有SVGD训练的相同网络架构好4%。
2019-01-17 cs.LG stat.ML
A causal interactions indicator between two time series using extreme variations in the first eigenvalue of lagged correlation matrices
本文提出基于滞后相关矩阵最大特征值变异性的双时间序列因果交互识别方法，经实验验证其检测时序结构变化的效果优于Granger因果检验，可用于金融市场风险相关的因果推断。
2025-11-18 q-fin.PM stat.AP
