Forecasting High Dimensional Time Series with Dynamic Dimension Reduction
利用动态降维预测高维时间序列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：摘要直接研究高维时间序列预测与动态依赖；降维方法的出现不足以确认其属于因子模型。
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
利用动态降维预测高维时间序列
- 研究问题
- 如何在高维时间序列预测中同时利用序列内部与序列之间的动态依赖，并把不同降维方法纳入统一框架？
- 方法与思路
- 作者将动态降维与正则化结合，把动态主成分和降秩自回归作为特例，并提出动态典型相关与动态冗余分析的时域形式。
- 材料陈述的贡献
- 摘要称统一程序支持多种方法的一致推导和解释，并通过模拟例子及经济数据预测应用展示所提框架的效果。
- 阅读关注点
- 应核对各特例的参数约束与目标函数、动态信息的使用方式、维度及正则化选择，以及经济数据的样本外预测设计。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未经核实；摘要未给出预测改进数值、理论保证或具体经济数据，首创性主张需核对。
原文摘要
Many dimension reduction techniques have been developed for independent data, and most have also been extended to time series. However, these methods often fail to account for the dynamic dependencies both within and across series. In this work, we propose a general framework for forecasting high-dimensional time series that integrates dynamic dimension reduction with regularization techniques. The effectiveness of the proposed approach is illustrated through a simulated example and a forecasting application using an economic dataset. We show that several specific methods are encompassed within this framework, including Dynamic Principal Components and Reduced Rank Autoregressive Models. Furthermore, time-domain formulations of Dynamic Canonical Correlation and Dynamic Redundancy Analysis are introduced here for the first time as particular instances of the proposed methodology. All of these techniques are analyzed as special cases of a unified procedure, enabling a coherent derivation and interpretation across methods.