发表机构
College of Medicine and Biological Information Engineering, Northeastern University（东北大学医学与生物信息工程学院）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
SegTSim是一个基于大数据的分段时间模拟框架，通过分段弹性建模、自适应门控及多因素融合，在美日汽车贸易数据上验证了其在扰动下的预测稳定性。
AI 中文摘要
异构多变量时间序列系统表现出特定于分段的非线性动态，这对整体式预测架构构成了挑战。我们提出了SegTSim，一个基于大数据的分段时间模拟框架，该框架将特定于分段的弹性建模与自适应最小门控、动态生产搬迁优化、带汇率传播的多因素数据融合以及深度集成验证流程相结合。该框架在美国国际贸易委员会存储库中2015年至2025年的美日汽车贸易数据上进行了验证，包含约13000条年度记录。在25%的扰动情景下，日本进口量下降20.4%至9.3亿美元，而所有输出变量在1000次集成推理运行中的变异系数均保持在3.5%以下。
英文摘要
Heterogeneous multivariate time-series systems exhibit segment-specific nonlinear dynamics that challenge monolithic forecasting architectures. We propose SegTSim, a big-data-driven segmented temporal simulation framework that integrates segment-specific elasticity modeling with adaptive min-gating, dynamic production relocation optimization, multi-factor data fusion with exchange-rate propagation, and a deep ensemble validation pipeline. The framework is validated on US--Japan automotive trade data from USITC repositories spanning 2015 to 2025, comprising approximately 13000 annual records. Under a 25% perturbation scenario, Japanese import volume declines by 20.4% to 0.93 billion USD, while all output variables maintain coefficients of variation below 3.5% across 1000 ensemble inference runs.
