Trend and seasonality estimation for point-process time series
点过程时间序列的趋势与季节性估计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：摘要明确研究点过程时间序列的趋势与季节性估计，但未提供宏观经济应用证据。
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
点过程时间序列的趋势与季节性估计
- 研究问题
- 当观测数据是随时间演变的事件点过程，而非通常的标量序列时，如何在随机强度模型下估计趋势和季节性并刻画估计不确定性？
- 方法与思路
- 作者假设时间或空间点过程服从具有对数高斯强度的双重随机泊松模型，提出计算简便的 M 估计量，并推导其渐近分布。
- 材料陈述的贡献
- 摘要称提供了趋势和季节性的估计方法与渐近理论，通过模拟考察有限样本表现，并以芝加哥 Divvy 共享单车需求模式为应用。
- 阅读关注点
- 应核对趋势和季节性在强度函数中的定义、模型可识别性、渐近分析采用的观测增长方式，以及随机强度假设对单车数据是否合适。
- 阅读边界
- 所用版本为 arXiv 预印本，同行评审或期刊接收未核实；摘要未说明具体渐近条件和模拟数值，也未提供模型误设下的有效性保证。
原文摘要
This article introduces estimators of trend and seasonality for time series of point processes. We assume the point processes follow a temporal or spatial doubly-stochastic Poisson model with log-Gaussian intensity functions. The proposed estimators are computationally simple M-estimators. Their asymptotic distribution is derived, and their finite-sample performance is studied by simulation. As an example of real-data application, we study the patterns of bike demand in the Divvy bike-sharing system of the city of Chicago.