Forecasting intraday particle number size distribution: A functional time series approach
日内颗粒物粒径数量分布预测：函数型时间序列方法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。
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：摘要明确采用函数型时间序列、函数型因子模型和动态预测，分类依据是方法而非宏观经济应用。
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…
日内颗粒物粒径数量分布预测：函数型时间序列方法
- 研究问题
- 面对多个粒径类别形成的高维日内曲线，如何进行提前一天的点预测和区间预测，并随着新日内观测到达及时更新预测？
- 方法与思路
- 作者提出包含函数型因子模型的多层函数型时间序列框架，用校准法及分割保形预测构造区间，并通过验证数据调节覆盖率和动态更新预测。
- 材料陈述的贡献
- 摘要称该框架结合降维、预测不确定性量化和日内动态更新，并利用伦敦五十一类粒径的小时观测进行经验验证。
- 阅读关注点
- 应核对多层结构与因子提取方式、训练和验证数据的时间划分，以及序列依赖下保形区间的覆盖依据和动态更新的评估设计。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或获期刊接收；摘要未报告误差及覆盖率数值，验证集校准也不能单独保证新时期的名义覆盖。
原文摘要
Particulate matter data now include various particle sizes, which often manifest as a collection of curves observed sequentially over time. When considering 51 distinct particle sizes, these curves form a high-dimensional functional time series observed over equally spaced and densely sampled grids. While high dimensionality poses statistical challenges due to the curse of dimensionality, it also offers a rich source of information that enables detailed analysis of temporal variation across short time intervals for all particle sizes. To model this complexity, we propose a multilevel functional time series framework incorporating a functional factor model to facilitate one-day-ahead forecasting. To quantify forecast uncertainty, we develop a calibration approach and a split conformal prediction approach to construct prediction intervals. Both approaches are designed to minimise the absolute difference between empirical and nominal coverage probabilities using a validation dataset. Furthermore, to improve forecast accuracy as new intraday data become available, we implement dynamic updating techniques for point and interval forecasts. The proposed methods are validated through an empirical application to hourly measurements of particulate matter in 51 size categories in London.