STD: A Seasonal-Trend-Dispersion Decomposition of Time Series
STD：时间序列的季节—趋势—离散度分解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：摘要直接提出时间序列分解方法并说明预测用途，对应时间序列与预测方向，未限定金融波动率。
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
STD：时间序列的季节—趋势—离散度分解
- 研究问题
- 传统时间序列分解较少显式处理方差变化，如何将离散程度与趋势、季节性共同分离，以支持异方差序列的分析与预测？
- 方法与思路
- 作者提出季节—趋势—离散度分解，提取趋势、季节项和离散度项，并分别定义含不规则项与不含不规则项的版本。
- 材料陈述的贡献
- 摘要称该方法把时间序列的方差相关特征纳入分解，并展示两种分解形式如何用于序列分析和预测。
- 阅读关注点
- 应核对离散度项的数学定义、各成分的可区分性、分解算法及边界处理，以及预测时如何使用离散度信息。
- 阅读边界
- 这是预印本，同行评审未核验；摘要未说明估计理论、具体算法或预测比较结果，不能确认其普遍优于既有分解。
原文摘要
The decomposition of a time series is an essential task that helps to understand its very nature. It facilitates the analysis and forecasting of complex time series expressing various hidden components such as the trend, seasonal components, cyclic components and irregular fluctuations. Therefore, it is crucial in many fields for forecasting and decision processes. In recent years, many methods of time series decomposition have been developed, which extract and reveal different time series properties. Unfortunately, they neglect a very important property, i.e. time series variance. To deal with heteroscedasticity in time series, the method proposed in this work -- a seasonal-trend-dispersion decomposition (STD) -- extracts the trend, seasonal component and component related to the dispersion of the time series. We define STD decomposition in two ways: with and without an irregular component. We show how STD can be used for time series analysis and forecasting.