Factor Models for High-Dimensional Tensor Time Series
高维张量时间序列的因子模型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。
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：摘要明确将因子模型用于高维动态张量时间序列，直接支持因子模型和时间序列分类；运输网络应用未说明干扰机制。
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
高维张量时间序列的因子模型
- 研究问题
- 当高维观测以多维数组形式随时间记录时，如何用因子模型刻画张量时间序列及多类别动态运输网络的结构与变化？
- 方法与思路
- 作者提出分析高维动态张量时间序列的因子模型框架，提供两种估计程序，并配套理论性质、模拟研究及两个应用示例。
- 材料陈述的贡献
- 摘要明确报告张量因子模型、两种估计方法及相关理论和模拟结果，并通过应用说明模型解释；具体性质和比较结果未展开。
- 阅读关注点
- 应核对张量各维度的因子结构与识别方式、两种估计程序的区别、理论所需条件，以及动态运输网络中的模型解释。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；摘要较简略，未说明因子结构、估计条件或应用结果，不能补推算法优势及刊本变化。
原文摘要
Large tensor (multi-dimensional array) data routinely appear nowadays in a wide range of applications, due to modern data collection capabilities. Often such observations are taken over time, forming tensor time series. In this article we present a factor model approach to the analysis of high-dimensional dynamic tensor time series and multi-category dynamic transport networks. This article presents two estimation procedures along with their theoretical properties and simulation results. We present two applications to illustrate the model and its interpretations.