PaEBack: Pareto-Efficient Backsubsampling for Time Series Data
PaEBack：时间序列的帕累托有效近期子样本选择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：摘要直接讨论时间序列训练历史长度、自回归预测理论及机器学习预测精度，对应时间序列与预测方法。
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…
关注这篇论文的作者
PaEBack：时间序列的帕累托有效近期子样本选择
- 研究问题
- 研究达到相对于完整历史序列的目标预测效率，需要保留多少最近观测，以及缩短训练历史能否维持预测精度。
- 方法与思路
- 作者提出 PaEBack 估计所需近期数据比例，以自回归模型的渐近预测理论提供依据，并数值考察机器学习和模型误设情形。
- 材料陈述的贡献
- 摘要称对多类预测方法，仅使用部分近期历史也可能获得接近最优甚至更好的相对预测精度，并提供自回归理论论证。
- 阅读关注点
- 应核对预测效率与帕累托有效性的定义、样本长度选择是否存在评估泄漏，以及自回归理论如何衔接机器学习示例。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要中的理论依据针对自回归模型，不能自动推广为所有预测器的保证。
原文摘要
Time series forecasting has been a quintessential topic in data science, but traditionally, forecasting models have relied on extensive historical data. In this paper, we address a practical question: How much recent historical data is required to attain a targeted percentage of statistical prediction efficiency compared to the full time series? We propose the Pareto-Efficient Backsubsampling (PaEBack) method to estimate the percentage of the most recent data needed to achieve the desired level of prediction accuracy. We provide a theoretical justification based on asymptotic prediction theory for the AutoRegressive (AR) models. In particular, through several numerical illustrations, we show the application of the PaEBack for some recently developed machine learning forecasting methods even when the models might be misspecified. The main conclusion is that only a fraction of the most recent historical data provides near-optimal or even better relative predictive accuracy for a broad class of forecasting methods.