Bayesian approach to the PC component
周期相关成分的贝叶斯建模方法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：摘要明确针对周期相关和多周期相关时间序列提出预测方法，因此对应时间序列与预测两个方向。
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…
周期相关成分的贝叶斯建模方法
- 研究问题
- 如何对含多个周期相关成分的复杂时间序列建模和预测，并处理传统方法在复杂成分、参数过多及优化方面的困难？
- 方法与思路
- 作者提出两阶段方案，将频率分离技术与贝叶斯方法结合，以保留各周期相关成分的相关结构，并更新对这些成分的认识。
- 材料陈述的贡献
- 摘要提出结合频率分离与贝叶斯更新的预测方法，预期其更适合多周期相关成分；摘要未报告已完成的比较结果。
- 阅读关注点
- 应核对 PC 与 MPC 的定义、两阶段如何衔接、先验与似然的设定，以及相较经典方法的适用性是否获得实际验证。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或获期刊接收；摘要使用预期性表述，未提供预测改善或理论性质的证据。
原文摘要
Time series with multiple periodically correlated components is a complex problem with comparatively limited prior research. Most existing time series models are designed to accommodate simple periodically correlated components and tend to be sensitive to over-parameterization and optimization issues and are also unable to model complex PC components patterns in a time series. Frequency separation techniques can be used to maintain the correlation structure of each specific PC component, whereas Bayesian techniques can combine new and existing prior information to update beliefs about these components. This study introduces a method to combine the frequency separation techniques and Bayesian techniques to forecast PC and MPC time series data in a two stage form which is expected to show the new method's suitability in modeling MPC components compared to classical methods.