Neural networks for nonlinear regression with serially correlated disturbances: Evidence from cloud cover
带序列相关扰动的非线性回归神经网络：来自云量的证据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：摘要直接研究带自回归移动平均扰动的时间序列回归，分类依据是时间序列方法，应用对象则为云量。
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…
关注这篇论文的作者
带序列相关扰动的非线性回归神经网络：来自云量的证据
- 研究问题
- 在非线性回归中，能否通过直接建模序列相关扰动，而非依赖滞后解释变量，恢复回归函数与误差动态并改善样本外预测？
- 方法与思路
- 作者将自回归移动平均误差结构纳入前馈神经网络，考察不同序列长度、信噪比及误设情况，并用于地中海周边网格的云量预测。
- 材料陈述的贡献
- 摘要称，模拟中方法能恢复非线性函数和误差动态，对所考察误设表现稳健；云量应用的预测精度高于包括 LSTM 在内的比较方法。
- 阅读关注点
- 应核对网络函数与误差动态如何区分、误差参数估计和模型选择方式，以及云量样本外划分和不同环境中的预测比较。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未说明误设范围和精度差异，云量应用结果不能直接外推到经济数据。
原文摘要
We propose a new treatment of nonlinear regression with serially correlated disturbances that incorporates autoregressive moving average structures into feedforward neural networks. The resulting model provides an alternative to modeling temporal dependence using lagged variables. In simulations, the proposed method accurately recovers regression functions of varying complexity and the underlying error dynamics across a range of time-series lengths and signal-to-noise ratios. Finite-sample properties and out-of-sample predictive performances are shown to be robust to model misspecification induced by omitted lagged variables and incorrect specification of the error dynamics. Cloud cover is an important factor in climate projections. In an empirical study of cloud cover prediction for a grid of locations within and around the Mediterranean Sea, our proposed model yields more accurate predictions than existing methods, including long short-term memory networks. Serially correlated disturbances in place of lagged variables improve predictive accuracy across a range of land and ocean environments. Improvements over linear models with serially correlated disturbances are particularly pronounced in mountain areas, consistent with the presence of stronger nonlinear effects in cloud formation in such regions.