Functional Time Series Prediction Under Partial Observation of the Future Curve
利用未来曲线部分观测的函数时间序列预测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：摘要明确研究函数时间序列和利用已到达片段进行预测，对应时间序列及预测方法细分，应用并非宏观数据。
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…
利用未来曲线部分观测的函数时间序列预测
- 研究问题
- 预测函数时间序列的下一条完整曲线时，如何将历史完整轨迹与目标曲线已经观测到的部分信息结合以提高预测精度？
- 方法与思路
- 作者提出部分函数预测 PFP，同时使用完整历史曲线和目标曲线的可用片段，并以最小化预测误差自动选择调参值。
- 材料陈述的贡献
- 摘要称建立 PFP 预测的收敛率，模拟中引入部分轨迹降低均方预测误差，并在环境及交通流数据中展示改进。
- 阅读关注点
- 核对序列依赖条件、部分轨迹的观测方式、调参时的信息可用边界，以及比较方法是否使用相同预测时点的信息。
- 阅读边界
- 摘要未说明收敛条件、具体误差降幅及数据划分，应用属于环境与交通，不能推断宏观预测表现。来源为版本未注明的 OpenAlex 索引摘要，刊本变化未知。
原文摘要
–This article tackles one of the most fundamental goals in functional time series analysis which is to provide reliable predictions for future functions. Existing methods for predicting a complete future functional observation use only completely observed trajectories. We develop a new method, called partial functional prediction (PFP), which uses both completely observed trajectories and partial information (available partial data) on the trajectory to be predicted. The PFP method includes an automatic selection criterion for tuning parameters based on minimizing the prediction error, and the convergence rate of the PFP prediction is established. Simulation studies demonstrate that incorporating partially observed trajectory in the prediction outperforms existing methods with respect to mean squared prediction error. The PFP method is illustrated to be superior in the analysis of environmental data and traffic flow data.