Local Interaction Autoregressive Model for High Dimension Time Series Data
高维时间序列数据的局部交互自回归模型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：摘要直接研究高维自回归动态、邻域选择及时间序列预测，对应时间序列与预测方法；所述应用本身并非宏观经济数据。
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
高维时间序列数据的局部交互自回归模型
- 研究问题
- 高维矩阵与张量时间序列中，如何利用每个元素主要依赖邻近区域的结构减少参数，并估计邻域以改善动态预测？
- 方法与思路
- 作者提出局部交互自回归框架及共享行列成分的可分离版本，用并行最小二乘估计参数，并以 BIC 型准则选择邻域。
- 材料陈述的贡献
- 摘要称建立邻域选择一致性及核参数、自协方差估计误差界，并在模拟和总电子含量应用中报告优于所比较基准的预测。
- 阅读关注点
- 应核对局部性和可分离结构限制、邻域候选集合与选择惩罚、理论误差界的维度依赖，以及预测比较的样本划分。
- 阅读边界
- 这是预印本，同行评审及期刊接收未获核实。摘要未列稳定性等完整条件和预测改善数值，其模拟及应用比较不能保证普遍优势。
原文摘要
High-dimensional matrix and tensor time series often exhibit local dependency, where each entry interacts mainly with a small neighborhood. Accounting for local interactions in a prediction model can greatly reduce the dimensionality of the parameter space, leading to more efficient inference and more accurate predictions. We propose a Local Interaction Autoregressive (LIAR) framework and study Separable LIAR, a variant with shared row and column components, for high-dimensional matrix/tensor time series forecasting problems. We derive a scalable parameter estimation algorithm via parallel least squares with a BIC-type neighborhood selector. Theoretically, we show consistency of neighborhood selection and derive error bounds for kernel and auto-covariance estimation. Numerical simulations show that the BIC selector recovers the true neighborhood with high success rates, the LIAR achieves small estimation errors, and the forecasts outperform matrix time-series baselines. In real data applications, a Total Electron Content (TEC) case study shows the model can identify localized spatio-temporal propagation and improved prediction as compared with non-local time series prediction models.