The Prediction of Time Series With Trends and Seasonalities
含趋势与季节性的时间序列预测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：摘要明确研究带趋势和季节性的时间序列，并比较不同预测期的模型选择，直接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
含趋势与季节性的时间序列预测
- 研究问题
- 对于含趋势和季节性均值、平稳协方差的时间序列，如何选择预测模型，一步与十二步预测为何可能对应不同的模型？
- 方法与思路
- 作者利用最小 AIC 程序与预测分布期望熵最大化之间的解释联系，建立含趋势和季节性均值函数、平稳协方差的预测模型。
- 材料陈述的贡献
- 摘要称，AIC 准则下的一步与十二步预测可选出不同模型，各模型表现出针对相应目标的相对最优性，并关联趋势估计和季节调整。
- 阅读关注点
- 应核对期望熵解释的定义、AIC 在不同预测期下的构造，以及相对最优性的评价标准和趋势、季节项估计的不确定性。
- 阅读边界
- 摘要未说明模型类别、样本来源、误差指标或最优性成立条件；所述相对最优性不能直接理解为对任意序列和预测期均最优。
原文摘要
A maximization of the expected entropy of the predictive distribution interpretation of Akaike's minimum AIC procedure is exploited for the modeling and prediction of time series with trend and seasonal mean value functions and stationary covariances. The AIC criterion best one-step-ahead and best twelve-step-ahead prediction models can be different. The different models exhibit the relative optimality properties for which they were designed. The results are related to open questions on optimal trend estimation and optimal seasonal adjustment of time series.