A projected nonlinear state-space model for forecasting time series signals
用于时间序列信号预测的投影非线性状态空间模型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：摘要直接讨论非线性状态空间建模、时间序列动态学习及未来轨迹预测。
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…
用于时间序列信号预测的投影非线性状态空间模型
- 研究问题
- 如何从少量带噪时间序列观测中学习非线性动态，并在维持计算效率的同时预测未来轨迹及表达预测不确定性？
- 方法与思路
- 作者在非线性状态空间模型的潜在动态中，对投影直线使用核函数，并提出快速学习与预测算法进行案例和基准比较。
- 材料陈述的贡献
- 摘要称，投影核函数有助于高效捕捉潜在动态的非线性，经验案例与基准测试展示了模型的学习和预测能力。
- 阅读关注点
- 应核对投影与核函数的设定、状态和噪声模型、预测不确定性的计算，以及小样本准确性和计算成本的比较方式。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定同行评审或期刊接收；摘要未说明算法细节、误差指标及不确定性估计的校准表现。
原文摘要
Learning and forecasting stochastic time series is essential in various scientific fields. However, despite the proposals of nonlinear filters and deep-learning methods, it remains challenging to capture nonlinear dynamics from a few noisy samples and predict future trajectories with uncertainty estimates while maintaining computational efficiency. Here, we propose a fast algorithm to learn and forecast nonlinear dynamics from noisy time series data. A key feature of the proposed model is kernel functions applied to projected lines, enabling fast and efficient capture of nonlinearities in the latent dynamics. Through empirical case studies and benchmarking, the model demonstrates its effectiveness in learning and forecasting complex nonlinear dynamics, offering a valuable tool for researchers and practitioners in time series analysis.