A Simple and Effective Random Forest Modelling for Nonlinear Time Series Data
非线性时间序列的简便有效随机森林建模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。
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：摘要直接研究非线性时间序列依赖和预测方法，并报告样本外预测误差表现，因此对应时间序列与预测，应用并非宏观经济数据。
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
非线性时间序列的简便有效随机森林建模
- 研究问题
- 研究随机森林如何在保留时间序列依赖结构的同时降低树间相关性，并为非线性序列预测提供有限样本及渐近理论保证。
- 方法与思路
- 作者提出随机权重森林 RF-RW，取消自助重抽样以保留序列依赖，加入独立随机权重，并与随机森林、SVM 和 LSTM 比较。
- 材料陈述的贡献
- 摘要称在固定及高维特征空间建立非渐近集中界和渐近一致性，并在模拟及英国每日新冠病例预测例子中报告较好的误差表现。
- 阅读关注点
- 应核对随机权重进入树构建的方式、时间依赖和维度增长条件，以及预测划分、调参协议和一致性保证对应的估计对象。
- 阅读边界
- 这是 arXiv 预印本，无法据此确认同行评审或期刊接收；摘要未列明理论条件，模拟和单个病例预测应用不能证明普遍优于其他方法。
原文摘要
In this paper, we propose Random Forests by Random Weights (RF-RW), a theoretically grounded and practically effective alternative RF modelling for nonlinear time series data, where existing RF-based approaches struggle to adequately capture temporal dependence. RF-RW reconciles the strengths of classic RF with the temporal dependence inherent in time series forecasting. Specifically, it avoids the bootstrap resampling procedure, therefore preserves the serial dependence structure, whilst incorporates independent random weights to reduce correlations among trees. We establish non-asymptotic concentration bounds and asymptotic uniform consistency guarantees, for both fixed- and high-dimensional feature spaces, which extend beyond existing theoretical analyses of RF. Extensive simulation studies demonstrate that RF-RW outperforms existing RF-based approaches and other benchmarks such as SVM and LSTM. It also achieves the lowest error among competitors in our real-data example of predicting UK COVID-19 daily cases.