Detecting Nonlinear Causality in Multivariate Time Series with Sparse Additive Models
提出了一种利用稀疏加性模型(SpAM)检测多维离散时间序列中非线性因果关系的非参数方法。我们发现,当输入到SpAM是一个$β$混合时间序列,该模型可以拟合的线性组合的一组B-样条基,然后解决一组套索型优化问题的非凸正则化的每个未知函数。理论上,我们刻画了所提出的稀疏估计在函数估计和模型选择中的预言统计性质。数值上,我们提出了一个有效的路径迭代收缩阈值算法(PISTA),驯服的非凸性,并保证线性收敛到所需的稀疏估计的高概率。
2018-04-26 cs.LG stat.ME stat.ML
Deciphering Dynamical Nonlinearities in Short Time Series Using Recurrent Neural Networks
University of Kentucky(肯塔基大学)
替代测试技术已被广泛用于研究确定性混沌过程的一个重要组成部分,即动力学非线性的存在。传统的替代检验采用统计假设检验,并研究给定的经验样本与其替代样本之间判别统计量的潜在差异。在短时间序列中,判别统计量的选择和估计可能具有挑战性。此外,基于单一经验样本的结论是一个固有的局限性。本研究提出了一种递归神经网络分类框架,该框架使用原始时间序列,避免了对判别统计的需要,同时适应多个时间序列实现,以增强研究结果的概括性。结果表明,在短时间序列长度(L = 32,64,128)从连续和离散动力系统在混沌区,线性相关噪声的非线性变换和实验数据。分类器的准确性被证明是显着高于>> 50%的混沌政权的过程,而非线性相关的噪声是约50%相似的随机猜测,从一个样本二项式测试。这些结果是有前途的,并阐明了所提出的框架在识别潜在的动力学非线性短实验时间序列的有用性。
2019-07-15 cs.LG eess.SP q-bio.QM
Reconstructing Nonlinear Dynamical Systems from Multi-Modal Time Series
Central Institute of Mental Health(中央精神卫生研究所);Heidelberg University(海德堡大学);Technical University Berlin(柏林工业大学)
在物理学、生物学或医学中,经验观察到的时间序列通常是由一些潜在的动力系统(DS)产生的,这是科学兴趣的目标。越来越多的人对收获机器学习方法以数据驱动、无监督的方式重建这种潜在的DS感兴趣。在许多科学领域,通常同时从许多数据模态中采样时间序列观察,例如典型神经科学实验中的电生理和行为时间序列。然而,当前用于重建DS的机器学习工具通常仅关注一种数据模态。在这里,我们提出了一个通用的框架,多模态数据集成的目的,非线性DS重建和跨模态关系的分析。这个框架是基于动态可解释的递归神经网络作为一般的非线性DS近似,耦合到特定于模态的解码器模型的类的广义线性模型的集合。提出并比较了期望最大化和变分推理两种模型训练算法。我们在非线性DS基准测试中表明,我们的算法可以通过利用其他通道有效地补偿一个数据通道中的噪声或缺失信息,并在实验神经科学数据上演示该算法如何学习将不同的数据域与底层动态联系起来。
2022-07-06 cs.LG q-bio.QM stat.ML
Large-scale nonlinear Granger causality: A data-driven, multivariate approach to recovering directed networks from short time-series data
University of Rochester(罗切斯特大学)
为了深入了解复杂系统,从观测的时间序列数据中推断非线性因果方向关系是一个关键挑战。具体而言,估计因果关系的相互作用的组件在大型系统中只有很短的记录在几个时间的观察仍然是一个重要的,但尚未解决的问题。在这里,我们介绍了一个大规模的非线性格兰杰因果关系(lsNGC)的方法来推断方向,非线性,多变量因果关系的系统组件之间的相互作用,从短的高维时间序列记录。通过从有限的观测数据与非线性状态空间变换的相互作用建模,lsNGC确定的因果关系,没有明确的先验假设组件的时间序列之间的功能相互依赖的计算效率的方式。此外,我们的方法提供了一个数学公式,揭示推断的因果关系的统计意义。我们广泛地研究了lsNGC从2节点到34节点混沌时间序列系统恢复网络结构的能力。我们的研究结果表明,lsNGC从有限的观测数据中捕获有意义的相互作用,与传统方法相比,它表现良好。最后,我们证明了lsNGC的适用性,估计因果关系在大型,现实世界的系统中,通过推断方向的非线性,多变量的因果关系之间的大量的相对较短的时间序列获得的功能性磁共振成像(fMRI)数据的人脑。
2020-09-10 cs.IT cs.LG math.IT
A projected nonlinear state-space model for forecasting time series signals
本文提出一种投影非线性状态空间模型,利用投影直线上的核函数从少量含噪样本中高效学习非线性动力学,并实现带不确定性估计的快速预测。
2025-02-20 stat.ME stat.ML
Clustering Time Series with Nonlinear Dynamics: A Bayesian Non-Parametric and Particle-Based Approach
Harvard University(哈佛大学);ESSEC Business School(埃塞克高等商学院);MIT, Picower Institute(麻省理工学院皮考尔研究所);Salk Institute(索尔克研究所)
我们提出了一个一般的统计框架聚类多个时间序列,表现出非线性动态成一个先验未知数量的子组。我们的动机来自神经科学,其中一个重要的问题是在大量神经元中识别出对刺激或偶然事件做出类似反应的子集。在建模的多个时间序列的Dirichlet过程的非线性状态空间模型的混合物的输出,我们推导出一个完整的贝叶斯推断,交替之间的采样集群分配和采样参数值,形成的基础上的聚类的大都市内吉布斯算法。Metropolis步骤采用了基于粒子的方法的最新创新。我们应用该框架聚类时间序列从小鼠的前额叶皮层在一个实验中,旨在表征恐惧的神经基础。
2019-03-04 cs.LG q-bio.NC stat.CO
Beyond Coefficients: Forecast-Necessity Testing for Interpretable Causal Discovery in Nonlinear Time-Series Models
Lucy Family Institute for Data & Society(数据与社会联合研究所);University of Notre Dame(诺特大学);Department of Political Science(政治学系)
针对非线性时间序列模型中因果分数被误读为回归系数的问题,提出基于边消融和预测比较的预测必要性检验框架,以评估因果关系的实际必要性。
2026-04-20 cs.AI cs.LG stat.ME
An Interpretable and Sparse Neural Network Model for Nonlinear Granger Causality Discovery
虽然大多数经典的格兰杰因果关系检测方法依赖于线性时间序列假设,但神经科学和经济学应用中的许多相互作用是非线性的。我们开发了一种使用多层感知器的非线性Granger因果关系检测方法,其中网络的输入是所有系列的过去时间滞后,输出是单个系列的未来值。在这种情况下,格兰杰非因果关系的一个充分条件是输入数据的所有输出权重,即序列的过去滞后,到第一个隐藏层的权重都为零。对于估计,我们利用组套索惩罚来将输入权重的组缩小到零。我们还提出了一个层次的惩罚同时格兰杰因果关系和滞后估计。我们验证了我们的方法从稀疏线性自回归模型和稀疏和非线性Lorenz-96模型的模拟数据。
2018-06-25 stat.ML
Nonlinear Time Series Modeling: A Unified Perspective, Algorithm, and Application
本文提出了一种新的非线性时间序列分析和建模的综合方法。我们引入了新的数据特定的中间分布的勒让德多项式(LP)的原始时间序列Y(t),使我们能够适应所有现有的平稳线性高斯时间序列建模策略,并使其适用于非高斯和非线性过程中的鲁棒的方式。本文的重点是经验时间序列建模通过算法LPTime。我们使用1963年1月2日至2009年12月31日之间的标准普尔500指数日收益率数据证明了我们的理论框架的有效性。我们提出的LPTime算法系统地发现所有的“程式化的事实”的金融时间序列自动一次,这是以前注意到许多研究人员一次一个。
2017-12-24 math.ST stat.AP stat.ME
Adaptive deep learning for nonlinear time series models
本文针对非平稳非线性时间序列模型,提出基于深度神经网络的自适应非参数估计理论,证明稀疏惩罚DNN估计量可达到多类非线性自回归模型的极小极大最优速率,并通过数值模拟验证其对低维结构及不连续均值函数的估计效果。
2024-05-03 math.ST stat.ML stat.TH
On the Identifiability Conditions in Some Nonlinear Time Series Models
在本研究中,我们考虑非线性时间序列模型的可辨识性问题。特别注意的是光滑过渡GARCH,非线性泊松自回归,和多个政权光滑过渡自回归模型。得到了这些模型可辨识的充分条件。
2015-02-28 math.ST stat.TH
Artificial neural networks and time series of counts: A class of nonlinear INGARCH models
本文将INGARCH模型与人工神经网络响应函数结合,提出一类非线性INGARCH模型,并证明其在信息损失指标上优于现有退化竞争模型。
2023-04-03 econ.EM stat.ME stat.ML
Band-phase-randomized Surrogates to assess nonlinearity in non-stationary time series
非线性检验是非线性时间序列分析中最重要的预处理步骤之一。通常,这是通过线性替代数据方法来完成的。但众所周知,结果的有效性在很大程度上取决于时间序列的平稳性。由于大多数生理信号都是非平稳的,使用线性替代数据方法很容易错误地检测非线性。在本文中,我们提出了一种方法来扩展的过程中产生的约束代理时间序列,以评估非线性非平稳数据。该方法是基于频带相位随机化替代,其中包括(与线性替代数据方法相反)随机化仅一部分的傅立叶相位在高频带。模拟时间序列的分析表明,与线性替代数据方法相比,我们的方法能够区分线性平稳,线性非平稳和非线性时间序列。当将我们的方法应用于心率变异性(HRV)的时间序列,目前尖峰和其他类型的非平稳性,我们能够获得替代时间序列,看起来像的数据,并保持线性相关性,这是不可能做到与现有的替代数据的方法。
2011-01-31 physics.data-an stat.AP
Stochastic Equicontinuity in Nonlinear Time Series Models
在本文中,我提供了简单和易于验证的条件下,一个强形式的随机等度连续性,在各种各样的现代时间序列模型。与目前文献中的大多数结果相反,我的方法避免了混合条件。我详细讨论了几个应用程序。
2013-06-11 math.ST stat.TH
Is the annual growth rate in balance of trade time series for Ireland nonlinear
我们描述了时间序列多变量自适应回归样条(TSMARS)方法。该方法对识别时间序列中的非线性结构是有用的。我们使用TSMARS来模拟1970年至2007年爱尔兰贸易平衡的年度变化。我们比较了TSMARS估计与长记忆ARFIMA估计和长期简约线性模型。我们发现,贸易差额的变化是非线性的,具有弱的长期影响。此外,我们还比较了1993年引入内部统计系统之前的时期和1993年以后的时期。在这里,我们表明,在早期的系列有一个实质性的线性信号嵌入其中,这表明在早期的估计工作可能导致了一个过度平滑的系列。
2017-05-30 stat.AP
Analyzing Multiple Nonlinear Time Series with Extended Granger Causality
在多变量时间序列分析中,识别同时采集的信号之间的因果关系是一个重要问题。对于线性随机系统,Granger提出了一个简单的过程,称为Granger因果关系来检测这种关系。在这项工作中,我们考虑非线性扩展格兰杰的想法,并指的结果作为扩展格兰杰因果关系。提出了一种简单的实现扩展格兰杰因果关系的方法,并将其应用于多个混沌时间序列和其他类型的非线性信号。此外,对于具有三个或更多时间序列的情况,我们提出了一个有条件的扩展格兰杰因果关系测度,使我们能够确定两个信号之间的因果关系是直接的还是由另一个过程介导的。
2004-05-08 math.ST nlin.CD physics.data-an
The quantile spectral density and comparison based tests for nonlinear time series
在本文中,我们考虑测试的非线性时间序列,这是出于串行依赖的概念。所提出的测试是基于与分位数谱密度的比较,分位数谱密度可以被认为是通常的谱密度函数的分位数版本。分位数谱密度“测量”时间序列的序列依赖结构,并且在相对弱的混合条件下被很好地定义。我们提出了一个估计的分位数谱密度,并推导出其渐近抽样性质。我们使用分位数谱密度来构造时间序列的拟合优度检验,并解释了如何使用该检验来比较两个时间序列的序列相关结构。仿真和一些实际数据的例子说明了该方法。
2012-03-10 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
Asymptotic spectral theory for nonlinear time series
本文研究平稳因果过程的谱分析中的渐近问题。极限分布的周期图和平滑周期图的谱密度估计和应用的谱域自举。而不是常用的强混合条件,在我们的渐近谱理论,我们施加的条件只涉及(条件)的时刻,这是很容易验证的各种非线性时间序列。
2007-10-24 math.ST stat.TH
The autoregression bootstrap for kernel estimates of smooth nonlinear functional time series
函数时间序列已成为函数数据和时间序列分析的一个组成部分。本文研究了一阶泛函自回归模型和光滑函数的自回归自助法。在Ferraty和Vieu [2004]和Ferraty等人[2007]开发的框架中估计回归算子,该框架在这里扩展到双函数情况下,假设可以追溯到Laib和Louani [2010]的平稳遍历数据。本文的主要结果是自举回归算子的渐近相合性的刻画。
2018-11-15 math.ST stat.TH
Detecting causal associations in large nonlinear time series datasets
从观测的时间序列数据中识别因果关系是气候科学或神经科学等学科的一个关键问题,在这些学科中,实验往往是不可能的。数据驱动的因果推断是具有挑战性的,因为数据集通常是高维的和非线性的,具有有限的样本量。在这里,我们介绍了一种新的方法,灵活地结合线性或非线性条件独立性测试的因果发现算法,允许重建因果网络从大规模的时间序列数据集。我们验证了一个完善的气候遥相关连接热带太平洋与热带以外的温度,并使用大规模的模拟真实数据的典型属性的合成数据集的方法。实验表明,我们的方法优于其他技术的检测能力,从小到大规模的数据集,并开辟了全新的可能性,发现因果网络从时间序列在一系列的研究领域。
2018-06-28 physics.ao-ph stat.AP stat.ME
A nonlinearity and model specification test for functional time series
本文将BDS检验扩展至函数时间序列,提出函数BDS检验,用于检测非线性结构和评估预测模型充分性,并证明了其渐近性质,弥补了现有检验仅能检测线性结构的缺陷。
2023-04-04 stat.AP 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
SLANTS: Sequential Adaptive Nonlinear Modeling of Vector Time Series
提出了一种矢量时间序列数据的自适应非线性序贯建模方法。数据被建模为被噪声破坏的过去值的非线性函数,并且假设潜在的非线性函数在样条基中是近似可扩展的。我们将数据建模转化为在多维样条基的线性跨度中找到一个良好的拟合表示,并使用l1惩罚正则化的变体来降低表示的维数。使用自适应滤波技术,我们设计了我们的在线算法,自动调整的基础参数的正则化顺序预测误差的最小化。我们证明了所提出的方法在合成和真实世界的数据集上的通用性和灵活性。此外,我们分析研究我们的算法的性能,通过获得两个界的预测误差,和变量选择的一致性结果。
2016-10-15 stat.ME
Simultaneous Sieve Inference for Time-Inhomogeneous Nonlinear Time Series Regression
本文研究了一般局部平稳时间序列的非时齐非线性时间序列回归问题。一方面,我们提出了时变回归函数的筛分非参数估计,它可以达到最小-最大最优速率。另一方面,我们发展了一个统一的同时推理理论,可以用来进行结构和精确形式的功能测试。我们提出的统计是强大的,即使在当地弱的替代品。我们还提出了一个乘法器自举程序的实际实施。我们的方法和理论不需要对回归函数进行任何结构假设,并且我们还允许函数在无界域中得到支持。我们还建立了无界区域上二维函数的筛逼近论和高维局部平稳时间序列的仿射型和二次型的高斯逼近结果,这些结果是独立的.数值模拟和一个真实的财务数据分析提供了支持我们的结果。
2021-12-16 math.ST stat.ME stat.TH
Quantile-Frequency Analysis and Spectral Measures for Diagnostic Checks of Time Series With Nonlinear Dynamics
IBM T. J. Watson Research Center(IBM T.J. 沃森研究中心)
本文提出基于分位数周期图的频谱度量,用于检验金融时间序列模型的诊断及基于模型的判别分析,通过模拟研究和S&P 500指数日对数收益率数据验证了方法的有效性。
2025-11-25 q-fin.ST stat.ME
Nonlinear Causality in Time Series Networks: With Application to Motor Imagery vs Execution
King Abdullah University of Science and Technology(阿卜杜拉国王科技大学)
针对时间序列网络中非线性因果关系难以识别的问题,提出基于阈值自回归模型的两阶段推断方法TAR4C,并在多通道EEG运动想象与执行实验中验证了其有效性。
2025-09-18 stat.AP stat.CO stat.ME
The Variational Bandwidth Bottleneck: Stochastic Evaluation on an Information Budget
Mila, University of Montreal(蒙特利尔大学Mila研究所);Deepmind(深度思维公司);University of California, Berkeley(加州大学伯克利分校)
在许多应用中,期望从复杂的输入数据中仅提取相关信息,这涉及做出关于哪些输入特征是相关的决定。信息瓶颈方法将其形式化为信息理论优化问题,通过保持压缩(丢弃不相关的输入信息)和预测目标之间的最佳权衡。在许多问题设置中,包括我们在这项工作中考虑的强化学习问题,我们可能更喜欢只压缩部分输入。这是典型的情况下,当我们有一个标准的条件输入,如状态观察,和一个“特权”的输入,这可能对应于一个任务的目标,一个昂贵的规划算法的输出,或与另一个代理的通信。在这种情况下,我们可能更喜欢压缩特权输入,以实现更好的泛化(例如,关于目标)或最小化对昂贵信息的访问(例如,在通信方面)。基于变分推断的信息瓶颈的实际实现需要访问特权输入以计算瓶颈变量,因此尽管它们执行压缩,但该压缩操作本身需要不受限制的无损访问。在这项工作中,我们提出了变带宽瓶颈,它决定了每个例子的估计值的特权信息之前,看到它,即,仅基于标准输入,然后相应地选择随机性,是否访问特权输入。我们制定了一个易于处理的近似这个框架,并在一系列强化学习实验中证明,它可以提高泛化能力,减少对计算成本高的信息的访问。
2020-04-24 cs.LG stat.ML
Simultaneous Sieve Estimation and Inference for Time-Varying Nonlinear Time Series Regression
本文研究局部平稳时间序列的时变非线性回归,提出具有一致收敛性的筛非参数估计量,发展了统一的同时推断理论及乘子自助法,并开发了R包SIMle辅助实现。
2025-06-29 math.ST stat.ME stat.TH
A Simple and Effective Random Forest Modelling for Nonlinear Time Series Data
University of Southampton(南安普顿大学);City University of Hong Kong(香港城市大学)
针对现有随机森林方法难以捕捉非线性时间序列时间依赖性的问题,提出随机权重随机森林(RF-RW),通过避免自助重采样保留序列依赖、引入随机权重降低树间相关性,理论上建立集中界和一致性保证,实验中优于现有方法及SVM、LSTM等基准模型。
2025-11-17 math.ST stat.ME stat.TH
The Fourier Decomposition Method for nonlinear and nonstationary time series analysis
Indian Institute of Technology Delhi(德里印度理工学院);Jaypee Institute of Information Technology(贾伊皮信息技术学院);Samsung R & D Institute India - Delhi(三星印度研发中心-德里)
本文提出傅里叶分解方法(FDM),用于分析非线性和非平稳时间序列,通过分解数据为少量傅里叶内在带函数(FIBFs),并展示其在多变量非线性和非平稳时间序列分析中的有效性。
2015-08-31 cs.IT cs.NA math.IT
Multiple Imputation of Hierarchical Nonlinear Time Series Data with an Application to School Enrollment Data
针对分层非线性时间序列数据缺失问题,提出一种结合序贯分解与平滑样条的贝叶斯多重插补方法,显著提升不协调分析模型参数估计与缺失值预测性能。
2025-03-28 stat.AP stat.ME
Instantaneous and lagged measurements of linear and nonlinear dependence between groups of multivariate time series: frequency decomposition
定义了任意多变量时间序列之间的线性相关性(相干性)和非线性相关性(相位同步性)的度量。该措施表示为滞后依赖性和瞬时依赖性的总和。这些度量是非负的,并且仅当相关类型独立时才取零值。这些措施是在频域中定义的,适用于平稳和非平稳的时间序列。这些新结果显著地扩展和改进了先前技术报告中提出的结果(Pascual-Marqui 2007,arXiv:0706.1776 [stat.ME],http://arxiv.org/abs/0706.1776),并且在很大程度上受到Geweke关于线性反馈的开创性论文(1982 JASA 77:304-313)的激励。一个重要的应用领域是神经生理学,其中的时间序列包括在几个大脑位置的电神经元活动。相干和相位同步被解释为位置之间的“连接性”。然而,由于体积传导和低空间分辨率,任何依赖性测量都高度污染了瞬时的非生理贡献。新技术大大消除了这种混淆因素。此外,依赖性的测量可以联合应用于任何数量的大脑区域,即分布式皮质网络,其活动可以用eLORETA估计(Pascual-Marqui 2007,arXiv:0710.3341 [math-ph])。
2007-11-09 stat.ME
LSTSVR-PI: Least square twin support vector regression with privileged information
Indian Institute of Technology Indore(印度印多尔印度理工学院)
本文提出LSTSVR-PI模型,将特权信息学习范式融入最小二乘孪生支持向量回归,通过求解线性方程提升效率,并给出泛化误差界,在多种数据集和时间序列任务上验证了其优越性。
2024-02-21 cs.LG
Hidden Markov Nonlinear ICA: Unsupervised Learning from Nonstationary Time Series
University of Helsinki(赫尔辛基大学);Université Paris-Saclay(巴黎萨克雷大学);Inria(法国国家信息与自动化研究所)
非线性独立成分分析(ICA)的最新进展为无监督特征学习和解纠缠提供了一个原则性的框架。在这样的作品的中心思想是,潜在的成分被假定为是独立的条件下,一些观察到的辅助变量,如时间段指数。这需要将数据手动分割成非固定段,这在计算上是昂贵的、不准确的并且通常是不可能的。因此,这些模型并非完全无监督。我们通过将非线性ICA与隐马尔可夫模型相结合来弥补这些限制,从而产生一个潜在状态代替所观察到的段索引的模型。我们证明了所提出的模型的一般混合非线性,如神经网络的可识别性。我们还展示了如何使用期望最大化算法的模型的极大似然估计。因此,我们实现了一个新的非线性ICA框架,它是无监督的,更有效的,以及能够建模底层的时间动态。
2020-06-22 cs.LG stat.ML
OccamVTS: Distilling Vision Models to 1% Parameters for Time Series Forecasting
针对现有大视觉模型用于时序预测时参数冗余、高层语义噪声损害精度的问题,提出OccamVTS知识蒸馏框架,仅保留1%核心参数即可达到SOTA性能,在少/零样本场景表现优异。
2025-11-14 cs.CV cs.LG
Efficient Interpretable Nonlinear Modeling for Multiple Time Series
University of Agder(阿格德大学);Simula Metropolitan Center for Digital Engineering(西姆拉大都会数字工程中心)
针对多时间序列依赖发现与预测,本文提出潜在线性VAR加逐传感器可逆非线性映射的高效可解释模型,并用稀疏正则与定制优化算法提升系数支撑辨识和预测效果。
2023-09-29 cs.LG
No Scale Left Behind: Multi-Scale Autoencoder with Bi-directional Attention for Time Series Anomaly Detection
提出MSCAD,一种基于并行自编码器分支和双向跨尺度注意力的半监督时间序列异常检测框架,在TSB-AD基准上显著超越现有方法。
2026-09-30 cs.AI cs.LG
Which Histories Matter for Time Series Forecasting? Learning Predictive Relevance with Future Supervision
Kwangwoon University(光云大学)
该研究针对时间序列预测的历史检索问题,提出基于未来监督的预测相关性重排序方法,在多基准任务中优于SARAF等检索规则,揭示历史相关性具结构化和领域依赖性。
2026-09-29 cs.IR cs.LG
Nonlinear parametric model for Granger causality of time series
我们推广了以前提出的方法的非线性Granger因果关系的时间序列,基于径向基函数。该模型不受两个时间序列中变量的可加性限制,可以近似这些变量的任何函数,仍然适用于评估因果关系。在一个生理学的例子和兴奋性和抑制性神经元模型中的反馈回路的研究中,这种因果关系的测量是正确的。
2006-02-07 cond-mat.dis-nn cond-mat.stat-mech cs.LG
Generalized Laguerre Reduction of the Volterra Kernel for Practical Identification of Nonlinear Dynamic Systems
Advanced Process Control and Optimization Inc. (APCO Inc.)(先进过程控制与优化公司(APCO公司))
Volterra级数可用于对非线性动态系统的大子集进行建模。一个主要的缺点是模型这样的系统所需的系数的数量。为了减少所需系数的数量,使用Laguerre多项式来估计Volterra核。现有文献提出了固定数量的Volterra核和Laguerre级数的算法。提出了一种新的多输入多输出(MIMO)系统有限阶Volterra-Laguerre(VL)级数广义计算算法。最后通过一个实例说明了该算法在实际应用中的实用性.
2014-10-03 cs.LG
LiNo: Advancing Recursive Residual Decomposition of Linear and Nonlinear Patterns for Robust Time Series Forecasting
The Hong Kong Polytechnic University(香港理工大学);Peking University(北京大学)
针对时间序列预测中线性与非线性模式分离不足的问题,提出LiNo框架,通过递归残差分解显式提取两类模式,在13个真实基准上达到最先进性能。
2025-02-25 cs.LG
Explainable nonlinear modelling of multiple time series with invertible neural networks
University of Agder(阿格德大学)
提出了一种非线性拓扑辨识方法,该方法基于以下假设:时间序列的集合由两个步骤生成:i)潜在空间中的向量自回归过程; ii)非线性、分量、单调增加的观测映射。后一种映射被假设为可逆的,并被建模为浅层神经网络,因此可以对它们的逆进行数值计算,并且可以使用深度学习中启发的技术来学习它们的参数。由于函数反演,反向传播步骤并不简单,本文解释了应用隐式微分计算梯度所需的步骤。虽然模型的解释能力是相同的线性VAR过程,初步的数值试验表明,预测误差变得更小。
2021-07-01 cs.LG eess.SP
Adaptive Convolutional Forecasting Network Based on Time Series Feature-Driven
School of Computer Science and Engineering, Southeast University(东南大学计算机科学与工程学院);College of Design and Engineering, National University of Singapore(新加坡国立大学设计与工程学院)
针对时间序列数据中非线性信息干扰模型训练导致预测性能下降的问题,提出自适应卷积网络ACNet,通过多分辨率与可变形卷积提取局部全局模式及非线性特征,在12个数据集上实现短期与长期预测的最先进性能。
2024-06-04 cs.IR cs.LG
XicorAttention: Time Series Transformer Using Attention with Nonlinear Correlation
NTT Communications(NTT通讯);Kyoto University(京都大学)
本文提出XicorAttention,用Chatterjee秩相关系数替代标准注意力中的矩阵乘法以捕捉非线性依赖,并通过SoftSort和SoftRank实现可微计算,集成到多个Transformer模型后预测精度最高提升约9.1%。
2025-06-03 cs.AI cs.LG
Quantum reservoir computing in Jaynes-Cummings models: Nonlinear memory and time-series prediction
Institute for Cross-Disciplinary Physics and Complex Systems (IFISC) UIB-CSIC(交叉学科物理与复杂系统研究所(IFISC) UIB-CSIC)
本文研究了基于Jaynes-Cummings模型的量子回声计算,探讨了非线性记忆和时间序列预测的核心方法,并展示了其在复杂动态系统中的应用价值。
2026-05-19 cs.LG quant-ph
Modeling of time series using random forests: theoretical developments
Columbia University(哥伦比亚大学)
本文在非线性时间序列建模的框架下研究了随机森林的渐近性质。虽然随机森林已成功地应用于各个领域,但尚未考虑在时间序列设置中使用随机森林的理论依据。在温和的条件下,我们证明了一个统一的集中不等式的回归树建立在非线性自回归过程,随后,我们用这个结果证明了一个大类的随机森林的一致性。各种模拟结果的支持。
2020-08-06 cs.LG math.ST stat.ME
Parametric Nonlinear Volterra Series via Machine Learning: Transonic Aerodynamics
Federal Institute of Technology Zurich ETHZ(苏黎世联邦理工学院)
提出结合 Volterra 级数与机器学习的参数化非定常跨音速气动建模方法,通过 CFD 阶跃响应提取一阶、二阶核并在 Mach 数与迎角空间插值,二维和三维算例验证了其精度。
2024-10-25 cs.CE cs.LG
Learned Compression of Nonlinear Time Series With Random Access
University of Pisa(比萨大学);EPFL(洛桑联邦理工学院)
针对时间序列存储与随机访问的难题,提出可随机访问的压缩方案 NeaTS,利用分区算法选择非线性函数序列近似时间序列并最小化空间,在保证误差或无损的前提下,显著提升了压缩比、解压速度和随机访问效率。
2024-12-20 cs.DB cs.IR cs.LG