tempdisagg: A Python Framework for Temporal Disaggregation of Time Series Data
tempdisagg：时间序列时间分解的 Python 框架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：摘要聚焦时间序列频率转换，并明确使用 Chow–Lin、Denton 等计量时间分解方法。
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
tempdisagg：时间序列时间分解的 Python 框架
- 研究问题
- 如何将低频汇总时间序列分解为满足汇总一致性的高频估计，并在统一软件框架内处理参数估计和缺失值？
- 方法与思路
- 作者整合多种经典时间分解方法、参数自动估计、非负最小二乘集成、负值校正及可选的回归插补模块。
- 材料陈述的贡献
- 摘要介绍了模块化 Python 框架，提供验证、建模、可视化和解释接口，并扩展经典方法的组合与后处理功能。
- 阅读关注点
- 应核对不同汇总规则下的一致性、集成权重估计、负值校正的影响，以及自动参数估计和插补模块的验证方式。
- 阅读边界
- 所据为 arXiv 预印本，同行评审及期刊接收未核实；摘要未提供性能基准，生产可用性及软件可靠性仍需验证。
原文摘要
tempdisagg is a modern, extensible, and production-ready Python framework for temporal disaggregation of time series data. It transforms low-frequency aggregates into consistent, high-frequency estimates using a wide array of econometric techniques-including Chow-Lin, Denton, Litterman, Fernandez, and uniform interpolation-as well as enhanced variants with automated estimation of key parameters such as the autocorrelation coefficient rho. The package introduces features beyond classical methods, including robust ensemble modeling via non-negative least squares optimization, post-estimation correction of negative values under multiple aggregation rules, and optional regression-based imputation of missing values through a dedicated Retropolarizer module. Architecturally, it follows a modular design inspired by scikit-learn, offering a clean API for validation, modeling, visualization, and result interpretation.