Factor Modelling for Clustering High-dimensional Time Series
用于高维时间序列聚类的因子建模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：摘要明确以共同因子和簇特有因子建模高维时间序列，并估计潜在分组，直接对应因子模型与时间序列方向。
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…
用于高维时间序列聚类的因子建模
- 研究问题
- 如何借助潜在因子结构对大量时间序列进行无监督聚类，同时区分影响全部序列的共同因子、簇内因子及不属于任何簇的序列？
- 方法与思路
- 作者设定共同因子与簇特有因子并存的模型，允许部分序列不归属任何簇，研究因子及潜在分组的估计一致性与收敛速率。
- 材料陈述的贡献
- 摘要称建立了共同因子、簇特有因子及潜在簇估计的一致性和明确速率，并通过模拟与真实数据展示，同时扩展已有因子模型推断。
- 阅读关注点
- 应核对共同与簇特有因子的可区分条件、未归类序列的判定方式、簇数选择，以及各项收敛速率依赖的样本维度。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未列识别条件、速率表达式或真实数据细节，无法判断复杂分组下的表现。
原文摘要
We propose a new unsupervised learning method for clustering a large number of time series based on a latent factor structure. Each cluster is characterized by its own cluster-specific factors in addition to some common factors which impact on all the time series concerned. Our setting also offers the flexibility that some time series may not belong to any clusters. The consistency with explicit convergence rates is established for the estimation of the common factors, the cluster-specific factors, the latent clusters. Numerical illustration with both simulated data as well as a real data example is also reported. As a spin-off, the proposed new approach also advances significantly the statistical inference for the factor model of Lam and Yao (2012).