Forecasting Time Series With Complex Seasonal Patterns Using Exponential Smoothing
利用指数平滑预测具有复杂季节模式的时间序列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。
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：摘要明确提出复杂季节时间序列的状态空间建模、点预测和区间预测方法。
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…
利用指数平滑预测具有复杂季节模式的时间序列
- 研究问题
- 如何统一预测具有多重周期、高频季节性、非整数周期和双日历效应的时间序列，并提供点预测、区间预测及季节分解？
- 方法与思路
- 作者建立创新状态空间框架，结合 Box–Cox 变换、时变系数 Fourier 表示和 ARMA 误差修正，并开发降低最大似然计算负担的方法。
- 材料陈述的贡献
- 摘要称，框架给出高斯误差下的似然与预测表达式，并通过三个应用展示适用性；三角分解还能提取序列图上不明显的季节成分。
- 阅读关注点
- 应核对季节周期及日历效应如何设定、时变系数如何更新、计算节省的来源，以及高斯误差下区间预测和季节分解的有效性。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；具体算法、比较结果及非高斯误差下的表现未说明，不能推断刊本变化。
原文摘要
An innovations state space modeling framework is introduced for forecasting complex seasonal time series such as those with multiple seasonal periods, high-frequency seasonality, non-integer seasonality, and dual-calendar effects. The new framework incorporates Box–Cox transformations, Fourier representations with time varying coefficients, and ARMA error correction. Likelihood evaluation and analytical expressions for point forecasts and interval predictions under the assumption of Gaussian errors are derived, leading to a simple, comprehensive approach to forecasting complex seasonal time series. A key feature of the framework is that it relies on a new method that greatly reduces the computational burden in the maximum likelihood estimation. The modeling framework is useful for a broad range of applications, its versatility being illustrated in three empirical studies. In addition, the proposed trigonometric formulation is presented as a means of decomposing complex seasonal time series, and it is shown that this decomposition leads to the identification and extraction of seasonal components which are otherwise not apparent in the time series plot itself.