Feature Extraction for Functional Time Series: Theory and Application to NIR Spectroscopy Data
函数型时间序列的特征提取：理论与近红外光谱应用AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接研究函数型时间序列及利用序列依赖进行预测。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
函数型时间序列的特征提取：理论与近红外光谱应用
- 研究问题
- 如何同时提取函数型时间序列的全局主导变化与局部短区间变化，并利用局部特征保留的序列依赖改善函数估计和预测？
- 方法与思路
- 作者提出 FPCA-BTW 方法，先用函数主成分分析提取全局特征，再对小波系数进行块阈值处理以捕捉局部变化，并分析渐近性质。
- 材料陈述的贡献
- 摘要称模拟和木板近红外光谱应用显示，该方法的函数估计优于所比较方法，局部特征有助预测，并揭示两类特征收敛率的相互作用。
- 阅读关注点
- 应核对全局与局部成分如何区分、小波阈值与主成分数如何选择，以及收敛条件、预测评估方案和比较方法的调参方式。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未说明具体收敛率、误差指标及预测改善的幅度和适用范围。
原文摘要
We propose a novel method to extract global and local features of functional time series. The global features concerning the dominant modes of variation over the entire function domain, and local features of function variations over particular short intervals within function domain, are both important in functional data analysis. Functional principal component analysis (FPCA), though a key feature extraction tool, only focus on capturing the dominant global features, neglecting highly localized features. We introduce a FPCA-BTW method that initially extracts global features of functional data via FPCA, and then extracts local features by block thresholding of wavelet (BTW) coefficients. Using Monte Carlo simulations, along with an empirical application on near-infrared spectroscopy data of wood panels, we illustrate that the proposed method outperforms competing methods including FPCA and sparse FPCA in the estimation functional processes. Moreover, extracted local features inheriting serial dependence of the original functional time series contribute to more accurate forecasts. Finally, we develop asymptotic properties of FPCA-BTW estimators, discovering the interaction between convergence rates of global and local features.