Noise reduction for functional time series
函数型时间序列的降噪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：摘要直接研究函数型时间序列的动态降噪，并明确将其用于预测预处理。
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
函数型时间序列的降噪
- 研究问题
- 当连续曲线形式的时间序列受到测量误差污染时，如何利用其动态结构恢复潜在信号，并改善后续预测？
- 方法与思路
- 作者扩展函数主成分分析，利用有限维动态结构区分序列相关信号与噪声子空间，再沿噪声子空间构造曲线投影。
- 材料陈述的贡献
- 摘要称该投影最小化平均积分平方误差，降噪估计具有一致性，并在模拟和真实数据中优于比较方法、改善预测。
- 阅读关注点
- 应核对子空间可识别条件、噪声的时间相关限制、投影最优性适用的估计类，以及降噪后预测改善的样本外评估。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。摘要未给出噪声假设、收敛条件及预测改善幅度，最优性范围需读全文确认。
原文摘要
A novel method for noise reduction in the setting of curve time series with error contamination is proposed, based on extending the framework of functional principal component analysis (FPCA). We employ the underlying, finite-dimensional dynamics of the functional time series to separate the serially dependent dynamical part of the observed curves from the noise. Upon identifying the subspaces of the signal and idiosyncratic components, we construct a projection of the observed curve time series along the noise subspace, resulting in an estimate of the underlying denoised curves. This projection is optimal in the sense that it minimizes the mean integrated squared error. By applying our method to similated and real data, we show the denoising estimator is consistent and outperforms existing denoising techniques. Furthermore, we show it can be used as a pre-processing step to improve forecasting.