Time series clustering based on prediction accuracy of global forecasting models
基于全局预测模型预测准确率的时间序列聚类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：摘要明确围绕时间序列聚类、全局预测模型及预测误差展开，直接对应时间序列与预测方向，未限定宏观经济数据。
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…
基于全局预测模型预测准确率的时间序列聚类
- 研究问题
- 能否以预测表现作为时间序列聚类的主要标准，使同组序列共享预测模型，并据此选择适当的聚类数量。
- 方法与思路
- 作者交替执行组内合并数据拟合全局预测模型，以及按各模型预测表现重新分配序列两步，形成基于预测准确率的迭代聚类。
- 材料陈述的贡献
- 摘要称，该方法提供按预测能力评价聚类及选择组数的机制，可结合不同回归模型；模拟和基准数据展示了聚类与预测表现优势。
- 阅读关注点
- 应核对预测评价是否使用独立验证数据、迭代是否收敛，以及组数选择、初始化和不同回归模型如何影响结果与计算成本。
- 阅读边界
- 这是arXiv预印本，同行评审或期刊接收未核实；摘要未说明收敛或全局最优保证，也未提供足以判断普遍优势的数值和比较细节。
原文摘要
In this paper, a novel method to perform model-based clustering of time series is proposed. The procedure relies on two iterative steps: (i) K global forecasting models are fitted via pooling by considering the series pertaining to each cluster and (ii) each series is assigned to the group associated with the model producing the best forecasts according to a particular criterion. Unlike most techniques proposed in the literature, the method considers the predictive accuracy as the main element for constructing the clustering partition, which contains groups jointly minimizing the overall forecasting error. Thus, the approach leads to a new clustering paradigm where the quality of the clustering solution is measured in terms of its predictive capability. In addition, the procedure gives rise to an effective mechanism for selecting the number of clusters in a time series database and can be used in combination with any class of regression model. An extensive simulation study shows that our method outperforms several alternative techniques concerning both clustering effectiveness and predictive accuracy. The approach is also applied to perform clustering in several datasets used as standard benchmarks in the time series literature, obtaining great results.