May, 2023

SAMoSSA：带随机自回归噪声的多元奇异谱分析

PDF
TL;DR使用多变量奇异谱分析（mSSA）和普通最小二乘法（OLS）算法，我们提出了一种名为 SAMoSSA 的新算法，可对时间序列数据进行分析，具有预测分析和模型识别功能。我们的算法可应对自回归噪音结构，提高数据处理的准确性达 5％至 37％。
time series analysismultivariate singular spectrum analysisstationarityautoregressive modelsforecasting
发现论文，激发创造
  • 多状态自回归模型状态数量的数据驱动学习

    本文提出一种基于 Gap 统计量的多状态自回归过程选择方法，该方法使用一个空值基准分布检查添加新自回归状态是否显着提高了模型的性能。文中通过数值实验评估了该方法的表现。

    Jun, 2015

  • 通过增强表示编码时间统计空间先验

    通过表示增强技术，我们的方法在时间序列数据建模方面取得显著成效，并在实证泛化性能方面明显优于最新的五个基准模型，可广泛应用于各种领域。

    Jan, 2024

  • 鲁棒概率性随机子空间辨识方法

    利用概率推断的方法提出新的随机子空间辨识算法（Prob-SSI）和鲁棒的 Prob-SSI 算法，以解决实际操作中因异常数据而影响系统参数估计的问题，并验证其性能超过传统的 SSI 算法。

    May, 2023

  • 空间自回归模型的迁移学习

    本文提出了一种新的转移学习框架，借助相似的源数据改善空间自相关模型的估计和预测精度，包括一个转移阶段和一个去偏阶段的两阶段算法用于估计未知参数，并建立了相应估计器的理论收敛速度；如果不知道哪些源数据需要转移，提出了一种基于空间残差自助法的可转移源数据检测算法以保留必要的空间依赖性，并得出了其检测一致性。通过仿真实验表明，使用具有信息的源数据，该转移学习算法显著提高了经典的两阶段最小二乘估计器的性能。在实证应用中，我们将该方法应用于 2020 年美国总统选举中摇摆州的选举预测，利用 2016 年美国总统选举的民意调查数据以及其他人口和地理数据。实证结果表明我们的方法优于传统估计方法。

    May, 2024

  • 基于矩阵分解的随机性识别：在黑洞数据上的应用

    本文提出了一种基于奇异值分解和主成分分析的算法用于时序分类，将所提方法应用于黑洞 GRS 1915+105 的时间序列数据上，结果显示在 12 个时间类别中具有较高的分类准确度。

    Jul, 2023

  • 对比多元奇异谱分析

    利用背景数据集，引入了对比多元奇异谱分析这种无监督的方法，可将目标时间序列数据进行降维和信号分解，这种方法不仅能识别能够解释最大方差的信号，还能找到对分析员来说最重要的信号，我们在合成案例和电心图数据集聚类中验证了该方法的实用性。

    Oct, 2018

  • 估计结构向量自回归模型

    本文研究了具有结构的 VAR 模型参数在相关性干扰下的估计误差问题，发现在依赖样本的情况下，使用各种 norm 捕捉结构可与使用 Lasso-type 独立样本估计器获得相同级别的估计误差，分析方法基于 generic chaining, sub-exponential martingales 和 spectral representation of VAR models。

    Feb, 2016

  • 使用具有运动编码的随机过程模型稳健地学习噪声时间序列集合

    使用混合高斯过程和学习的谱核函数的潜变量模型方法来处理具有任意时间序列长度的噪声时间序列数据，使得在多个潜在随机过程上学习多个动力模型成为可能。

    Feb, 2024

  • 概率循环状态空间模型

    本篇论文提出了一种基于双重随机变分推断和高斯过程的可扩展训练算法，用于可靠地训练完全概率状态空间模型中的潜在状态时间相关性， 并在真实世界基准数据集集上评估了所提出的 PR-SSM 的效果与最先进的概率模型学习方法进行了比较

    Jan, 2018

  • 部分相关源盲源分离的稀疏性和适应性

    介绍了一种名为 AMCA 的新型稀疏性 BSS 方法，旨在检索稀疏且部分相关的来源，并在宇宙物理学领域进行了广泛的数值实验以证明该算法的鲁棒性

    Dec, 2014