Autoregressive with Slack Time Series Model for Forecasting a Partially-Observed Dynamical Time Series
用于部分可观测动力时间序列预测的松弛自回归模型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：摘要研究部分可观测动力时间序列的自回归建模、状态补全与预测。
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…
用于部分可观测动力时间序列预测的松弛自回归模型
- 研究问题
- 当动力系统存在不可观测变量时，如何同时学习演化函数与补全缺失状态，并利用部分观测预测未来时间序列？
- 方法与思路
- 作者提出松弛自回归时间序列模型，将缺失变量表示为松弛序列并联合估计，在底层系统线性且时不变的假设下分析。
- 材料陈述的贡献
- 摘要称，实验展示了预测能力，并证明二维线性时不变系统可利用其中一个维度的部分观测实现系统重构。
- 阅读关注点
- 应核对二维重构定理的观测与非退化条件、松弛序列的约束和估计方式，以及预测实验能否支持更高维系统的应用。
- 阅读边界
- 所据为 arXiv 预印本，同行评审或期刊接收未经核实；摘要未列出重构定理完整条件，也未证明一般非线性系统适用。
原文摘要
This study delves into the domain of dynamical systems, specifically the forecasting of dynamical time series defined through an evolution function. Traditional approaches in this area predict the future behavior of dynamical systems by inferring the evolution function. However, these methods may confront obstacles due to the presence of missing variables, which are usually attributed to challenges in measurement and a partial understanding of the system of interest. To overcome this obstacle, we introduce the autoregressive with slack time series (ARS) model, that simultaneously estimates the evolution function and imputes missing variables as a slack time series. Assuming time-invariance and linearity in the (underlying) entire dynamical time series, our experiments demonstrate the ARS model's capability to forecast future time series. From a theoretical perspective, we prove that a 2-dimensional time-invariant and linear system can be reconstructed by utilizing observations from a single, partially observed dimension of the system.