Bayesian Quantile Deep Echo State Networks for Nonlinear Time Series
用于非线性时间序列的贝叶斯分位数深度回声状态网络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：摘要直接研究非线性时间序列的条件分位数与区间预测。
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…
用于非线性时间序列的贝叶斯分位数深度回声状态网络
- 研究问题
- 在非线性时间序列的特征维度较高时，如何构建贝叶斯条件分位数模型，同时处理多分位数预测、收缩估计与计算成本？
- 方法与思路
- 作者以固定深度回声状态网络特征进行贝叶斯分位数回归，采用工作似然和收缩先验，并比较逐分位数重排与联合分位数回归。
- 材料陈述的贡献
- 摘要称在模拟及回顾性案例中识别出有限分位数网格评分改善的场景，并给出适用于重复拟合的模型专用变分贝叶斯近似。
- 阅读关注点
- 应核对储备池和特征构造如何固定、工作似然下不确定性的解释，以及变分近似、单起点回顾性评估和分位数交叉处理的影响。
- 阅读边界
- 来源为 arXiv 预印本，同行评审或期刊接收未经核实；后验以指定特征为条件，摘要未说明整体校准保证或广泛样本外优势。
原文摘要
Conditional quantiles are central to asymmetric decision losses, tail-risk assessment, and interval forecasts, but Bayesian quantile regression for nonlinear time series can be difficult when the temporal feature vector is high-dimensional. We develop the quantile deep echo state network (Q-DESN), a Bayesian quantile regression model conditional on fixed features generated by a deep echo state network. Conditional on a specified reservoir construction and feature map, posterior uncertainty is assigned to the regression coefficients, likelihood, and shrinkage parameters. Single-level fits use asymmetric Laplace or quantile-fixed generalized asymmetric Laplace working likelihoods with ridge or regularized-horseshoe priors. Posterior computation uses Markov chain Monte Carlo when computationally practical and a model-specific variational Bayes approximation for analyses requiring repeated fitting. For quantile grids, we compare independent level-wise regressions followed by monotone rearrangement with a joint quantile-vector regression that shrinks adjacent quantile-specific coefficient differences. Synthetic studies, a single-origin retrospective Global Flood Awareness System (GloFAS) streamflow case, and a retrospective PriceFM comparison identify settings where this fixed-feature Bayesian regression improves finite-grid quantile scores.