Quantifying the Influence of Initial Values on Non-Linear Prediction
量化初始值对非线性预测的影响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：摘要直接研究非线性时间序列的多步预测、初值敏感性与预测误差。
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
量化初始值对非线性预测的影响
- 研究问题
- 非线性时间序列的多步预测对初始值有多敏感，如何量化混沌演化放大微小扰动所带来的预测可靠性下降？
- 方法与思路
- 作者定义类似 Lyapunov 的指标，分解预测均方误差，并用局部线性回归构造非参数预测器和指标的一致估计。
- 材料陈述的贡献
- 摘要称误差可分为条件方差与初值微小偏移造成的发散部分，该分解适用于更一般预测器，并以模拟和真实数据说明。
- 阅读关注点
- 核对指标定义、多步预测期限、误差分解的条件，以及局部线性估计的一致性要求和混沌模型的判定依据。
- 阅读边界
- Crossref 摘要未给出指标公式、估计条件或数值表现；初值敏感性并不必然意味着混沌，不能据此直接判定模型性质。
原文摘要
SUMMARY Motivated by the m-step-ahead prediction problem in non-linear time series, a brief sketch of stochastic chaotic systems is provided. The accuracy of the prediction depends on the initial value, which is a typical feature of non-linear but not necessarily chaotic models. However, if the model is chaotic, small noise can be amplified very quickly through time evolution at some initial values, thereby decreasing dramatically the reliability of the prediction. Further, if the model is chaotic, small shifts in some initial values can lead to considerable errors in prediction, which can be monitored by the newly defined Lyapunov-like indices. For the nonparametric predictor constructed by the locally linear regression method, the mean-squared error may be decomposed into two parts: the conditional variance and the divergence resulting from a small shift in initial values. The decomposition also holds for more general predictors. A consistent estimator of the Lyapunov-like index is also constructed by the locally linear regression method. Both simulated and real data are used as illustrations.