Sliding-Window Signatures for Time Series: Application to Electricity Demand Forecasting
时间序列的滑动窗口签名特征：电力需求预测应用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。
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：摘要明确围绕时间序列特征构造与电力需求预测，直接对应时间序列和预测方向。
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…
时间序列的滑动窗口签名特征：电力需求预测应用
- 研究问题
- 面对协变量的非线性与滞后影响，如何构造能表达复杂时间动态的特征，并用于离散时间序列中的电力需求预测？
- 方法与思路
- 作者将滑动窗口上的路径签名特征与岭回归结合，研究其通用逼近能力和平稳性，并提出逐步更新窗口签名的高效算法。
- 材料陈述的贡献
- 摘要称，该框架提供离散时间下的理论保证与顺序计算算法；合成及真实电力数据中的预测表现可与依赖专家知识的方法竞争。
- 阅读关注点
- 应核对签名的定义、窗口长度及截断阶数选择，理论保证所需条件，以及预测评估中的数据切分、基准方法和计算成本。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未给出理论条件、预测误差数值或评估细节，竞争性结论限于所述实验。
原文摘要
Nonlinear and delayed effects of covariates often render time series forecasting challenging. To this end, we propose a novel forecasting framework based on ridge regression with signature features calculated on sliding windows. These features capture complex temporal dynamics without relying on learned or hand-crafted representations. Focusing on the discrete-time setting, we establish theoretical guarantees, namely universality of approximation and stationarity of signatures. We introduce an efficient sequential algorithm for computing signatures on sliding windows. The method is evaluated on both synthetic and real electricity demand data. Results show that signature features effectively encode temporal and nonlinear dependencies, yielding accurate forecasts competitive with those based on expert knowledge.