Dependence-based fuzzy clustering of functional time series
基于依赖结构的函数型时间序列模糊聚类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：摘要直接研究函数型时间序列依赖结构，并明确包含高频股票数据应用。
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…
基于依赖结构的函数型时间序列模糊聚类
- 研究问题
- 对于由无限维曲线构成的函数型时间序列，如何按照依赖结构的相似性进行聚类，而不仅比较曲线的形状或水平？
- 方法与思路
- 作者将分位数自相关扩展到函数型数据，构造新的相异度，再结合模糊 C-medoids 与模糊 C-means 进行聚类。
- 材料陈述的贡献
- 摘要称，方法在模拟中具有较高准确性和计算效率，并以高频股票数据及多国分年龄死亡率改善数据展示实际用途。
- 阅读关注点
- 应核对函数型分位数自相关及相异度的定义、时间依赖信息的保留方式，以及聚类准确性和效率的比较基准。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收。摘要未给出模拟设计、误差数值或高频金融数据的具体处理。
原文摘要
Time series clustering is essential in scientific applications, yet methods for functional time series, collections of infinite-dimensional curves treated as random elements in a Hilbert space, remain underdeveloped. This work presents clustering approaches for functional time series that combine the fuzzy $C$-medoids and fuzzy $C$-means procedures with a novel dissimilarity measure tailored for functional data. This dissimilarity is based on an extension of the quantile autocorrelation to the functional context. Our methods effectively groups time series with similar dependence structures, achieving high accuracy and computational efficiency in simulations. The practical utility of the approach is demonstrated through case studies on high-frequency financial stock data and multi-country age-specific mortality improvements.