Forecasting Related Time Series
相关时间序列的预测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：摘要直接讨论多序列自回归预测，并将共同因子用于刻画序列之间的关联。
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
相关时间序列的预测
- 研究问题
- 当多条时间序列具有相似随机过程或存在统计依赖时，如何汇集跨序列信息，并同时处理波动变化、厚尾、异常值和参数变化？
- 方法与思路
- 作者从逐序列高斯自回归出发，加入随机波动、厚尾创新、加性异常值、时变参数及共同因子，以层级先验和贝叶斯 MCMC 估计预测。
- 材料陈述的贡献
- 摘要提出利用序列关联的 RTS 预测模型及计算高效的 MCMC 方法，并称三个数据集上的伪样本外预测结果具有积极表现。
- 阅读关注点
- 应核对层级先验如何实现信息汇集、共同因子与时变参数如何区分，以及 MCMC 收敛、计算成本和伪样本外预测的基准设置。
- 阅读边界
- 仅依据给定 Crossref 版本摘要。三个数据集的内容、预测指标和改进幅度未说明，不能据此认定各扩展模块均带来预测收益。
原文摘要
ABSTRACT A collection of time series are “related” if they follow similar stochastic processes and/or they are statistically dependent. This paper proposes a related time series (RTS) forecasting model that exploits these relationships. The model's foundation is a set of univariate Gaussian autoregressions, one for each series, which are then augmented to incorporate stochastic volatility, heavy‐tailed innovations, additive outliers, time‐varying parameters and common factors. The model is estimated and forecasts are computed using Bayesian methods with hierarchical priors that pool information across series. Computationally efficient MCMC methods are proposed. The RTS model is applied to three datasets and yields encouraging pseudo‐out‐of‐sample forecasting results.