An Application of Nonlinear Time Series Forecasting
非线性时间序列预测的一项应用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。
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：摘要明确讨论 ARIMA、双线性时间序列过程及预测表现，直接对应时间序列与预测，具体应用对象未说明。
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
非线性时间序列预测的一项应用
- 研究问题
- 在时间序列存在非线性时，如何检查线性模型的适用性，并用简约的非线性模型改善 ARIMA 预测？摘要以真实应用展开。
- 方法与思路
- 摘要以平方残差的自相关函数检查线性假设，检出非线性后采用简约双线性过程建模，并改变线性与双线性设定考察稳健性。
- 材料陈述的贡献
- 摘要称真实应用中预测得到改善，且非线性检测与预测改进对设定变化较稳健；双线性模型似乎捕捉了异常行为时期或连续异常值。
- 阅读关注点
- 阅读全文应核对应用数据、非线性判别依据、双线性模型选择及预测评价设计，并检查异常行为和连续异常值与预测改进的关系。
- 阅读边界
- 摘要未说明应用对象、样本量、预测误差指标或改进幅度，也未解释异常值机制；其稳健性表述不能据此推广到所有时间序列。
原文摘要
By means of a real application, it is seen how ARIMA forecasts can be improved when nonlinearities are present. The autocorrelation function (ACF) of the squared residuals provides a convenient tool to check the linearity assumption. Once nonlinearity has been detected, parsimonious bilinear processes seem rather adequate to model it. The detection of nonlinearity and the forecast improvement appear to be rather robust with respect to changes in the linear and bilinear specification. Finally, what bilinear models seem to capture are periods of atypical behavior or sequences of outliers.