Some Methods for Analyzing Big Dependent Data
分析大规模依赖数据的若干方法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：摘要明确研究函数型时间序列，提出近似因子模型并开展高维序列预测，因此对应时间序列、因子模型和预测方向。
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
分析大规模依赖数据的若干方法
- 研究问题
- 如何将大规模、具有时间依赖的数据转化为可分析的密度函数序列，并开展探索性分析、潜在因子建模及高维时间序列预测？
- 方法与思路
- 作者先以非参数密度估计将数据转为函数型时间序列，再用聚类和树分类探索，并提出阈值近似因子模型与 Hellinger 距离自回归模型。
- 材料陈述的贡献
- 摘要提出密度序列建模与高维序列简约预测方法，以函数主成分估计潜在因子，并用电力需求、美国股票收益和收入分布展示分析。
- 阅读关注点
- 核对密度估计误差如何影响后续模型、阈值与因子的识别条件，以及交叉验证和 Hellinger 距离选择主成分数量的具体做法。
- 阅读边界
- 摘要未说明依赖结构假设、密度估计与预测的理论保证或量化表现；三个应用用于展示分析，不能据此认定方法普遍优于其他方案。
原文摘要
We consider an approach to analyze big data of time series. Big dependent data are first transformed into functional time series of densities via nonparametric density estimation. We then discuss some tools for exploratory data analysis of the resulting functional time series. The tools employed include K-means cluster analysis and tree-based classification. For modeling, we propose a threshold approximate-factor model and a Hellinger distance autoregressive model for functional time series of continuous densities. The latent factors of factor models are estimated by functional principal component analysis. Cross-validation and Hellinger distance are used to select the number of principal component functions. For prediction of high-dimensional time series, we use the results of cluster analysis to obtain parsimonious models. We demonstrate the proposed analysis by considering the demand of electricity, the behavior of daily U.S. stock returns, and U.S. income distributions.