Sequential Monte Carlo Learning for Time Series Structure Discovery
用于时间序列结构发现的序贯蒙特卡洛学习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：摘要研究时间序列模型结构学习，并在计量数据集上比较多预测期的点预测与区间预测。
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…
用于时间序列结构发现的序贯蒙特卡洛学习
- 研究问题
- 如何自动发现复杂时间序列的模型结构，并在在线更新和离线分析中兼顾后验推断速度与多预测期的预测准确性？
- 方法与思路
- 作者在高斯过程时间序列模型的符号空间上设置贝叶斯非参数先验，结合序贯蒙特卡洛与对合 MCMC 开展结构学习。
- 材料陈述的贡献
- 摘要报告相对既有结构学习算法的运行时间改善，并在包含 1,428 个计量数据集的基准上展示点预测与区间预测优势。
- 阅读关注点
- 应核对模型结构搜索空间、先验和粒子更新设计，以及预测划分、计算资源、比较基线和区间预测评价指标是否一致。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未获核实；摘要中的速度和预测优势属于特定比较，未说明硬件、误差指标及不确定性。
原文摘要
This paper presents a new approach to automatically discovering accurate models of complex time series data. Working within a Bayesian nonparametric prior over a symbolic space of Gaussian process time series models, we present a novel structure learning algorithm that integrates sequential Monte Carlo (SMC) and involutive MCMC for highly effective posterior inference. Our method can be used both in "online" settings, where new data is incorporated sequentially in time, and in "offline" settings, by using nested subsets of historical data to anneal the posterior. Empirical measurements on real-world time series show that our method can deliver 10x--100x runtime speedups over previous MCMC and greedy-search structure learning algorithms targeting the same model family. We use our method to perform the first large-scale evaluation of Gaussian process time series structure learning on a prominent benchmark of 1,428 econometric datasets. The results show that our method discovers sensible models that deliver more accurate point forecasts and interval forecasts over multiple horizons as compared to widely used statistical and neural baselines that struggle on this challenging data.