Delay-SDE-net: A deep learning approach for time series modelling with memory and uncertainty estimates
Delay-SDE-net：兼顾记忆与不确定性估计的时间序列深度学习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：摘要明确研究带记忆的时间序列建模及预测不确定性，按方法主题归入时间序列和预测，但未提供具体宏观应用。
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…
Delay-SDE-net：兼顾记忆与不确定性估计的时间序列深度学习
- 研究问题
- 如何对具有记忆效应的时间序列建模，并及时估计系统状态及其不确定性，同时分别反映随机性与模型知识不足？
- 方法与思路
- 作者以多时滞随机微分方程构建神经网络，用历史状态表达记忆，并将随机部分拆为两个网络以刻画两类不确定性。
- 材料陈述的贡献
- 摘要称推导了模型理论误差并数值分析收敛速度；在所比较模型中，时间序列值及不确定性预测均表现最好。
- 阅读关注点
- 应核对时滞选择、两类不确定性的定义与校准、理论误差条件，以及预测评价是否区分点预测精度和区间覆盖表现。
- 阅读边界
- 所给来源为 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未列误差条件、数据与比较设置，最优表现不能外推。
原文摘要
To model time series accurately is important within a wide range of fields. As the world is generally too complex to be modelled exactly, it is often meaningful to assess the probability of a dynamical system to be in a specific state. This paper presents the Delay-SDE-net, a neural network model based on stochastic delay differential equations (SDDEs). The use of SDDEs with multiple delays as modelling framework makes it a suitable model for time series with memory effects, as it includes memory through previous states of the system. The stochastic part of the Delay-SDE-net provides a basis for estimating uncertainty in modelling, and is split into two neural networks to account for aleatoric and epistemic uncertainty. The uncertainty is provided instantly, making the model suitable for applications where time is sparse. We derive the theoretical error of the Delay-SDE-net and analyze the convergence rate numerically. At comparisons with similar models, the Delay-SDE-net has consistently the best performance, both in predicting time series values and uncertainties.