On projection methods for functional time series forecasting
函数型时间序列预测的投影方法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的一步预测与部分曲线的动态更新。
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…
函数型时间序列预测的投影方法
- 研究问题
- 当每个时点观测到一条曲线时，如何进行下一期曲线预测，并根据最新曲线已观测部分动态预测其尚未观测的片段？
- 方法与思路
- 作者提出函数型近邻法和曲线包络法，按最新整条或部分曲线的形状与幅度选择历史曲线，再利用它们的后续演变进行预测。
- 材料陈述的贡献
- 摘要称两种方法提供无需指定模型的预测途径，在模拟、电力需求与氮氧化物排放数据上具有竞争力，并常优于所选基准。
- 阅读关注点
- 应核对曲线距离、包络构造及投影规则，检查动态更新时的信息集，以及基准方法、预测误差指标和训练测试划分。
- 阅读边界
- 所据为 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未提供理论误差保证，也不足以支持跨数据集的普遍优势。
原文摘要
Two nonparametric methods are presented for forecasting functional time series (FTS). The FTS we observe is a curve at a discrete-time point. We address both one-step-ahead forecasting and dynamic updating. Dynamic updating is a forward prediction of the unobserved segment of the most recent curve. Among the two proposed methods, the first one is a straightforward adaptation to FTS of the $k$-nearest neighbors methods for univariate time series forecasting. The second one is based on a selection of curves, termed \emph{the curve envelope}, that aims to be representative in shape and magnitude of the most recent functional observation, either a whole curve or the observed part of a partially observed curve. In a similar fashion to $k$-nearest neighbors and other projection methods successfully used for time series forecasting, we ``project'' the $k$-nearest neighbors and the curves in the envelope for forecasting. In doing so, we keep track of the next period evolution of the curves. The methods are applied to simulated data, daily electricity demand, and NOx emissions and provide competitive results with and often superior to several benchmark predictions. The approach offers a model-free alternative to statistical methods based on FTS modeling to study the cyclic or seasonal behavior of many FTS.