Factor Modeling for Clustering High-Dimensional Time Series
用于高维时间序列聚类的因子建模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：摘要直接以潜在共同因子和簇特定因子建模并聚类高维时间序列。
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…
用于高维时间序列聚类的因子建模
- 研究问题
- 如何借助潜在因子结构对大量时间序列进行无监督聚类，同时区分影响全部序列的共同因素与各簇特有因素？
- 方法与思路
- 作者建立共同因子与簇特定因子并存的结构，允许部分时间序列不属于任何簇，并估计因子及潜在聚类。
- 材料陈述的贡献
- 摘要称，对共同因子、簇特定因子及聚类估计建立具有明确收敛率的一致性结果，并拓展既有因子模型的统计推断。
- 阅读关注点
- 应核对共同因子与簇因子的区分条件、因子及簇数量的确定方式、未归簇序列的识别，以及收敛率所依赖的维度关系。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；具体算法、因子强度条件和收敛率表达式未提供，不能推断刊本变化。
原文摘要
We propose a new unsupervised learning method for clustering a large number of time series based on a latent factor structure.Each cluster is characterized by its own cluster-specific factors in addition to some common factors which impact on all the time series concerned.Our setting also offers the flexibility that some time series may not belong to any clusters.The consistency with explicit convergence rates is established for the estimation of the common factors, the cluster-specific factors, and the latent clusters.Numerical illustration with both simulated data as well as a real data example is also reported.As a spin-off, the proposed new approach also advances significantly the statistical inference for the factor model of Lam and Yao.Supplementary materials for this article are available online.