A Generalization of the Bayesian Steady Forecasting Model
贝叶斯稳态预测模型的推广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：摘要明确在时间序列框架下推广贝叶斯预测模型，并讨论递推更新关系。
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
贝叶斯稳态预测模型的推广
- 研究问题
- 如何把贝叶斯稳态预测模型推广到正态分布之外的时间序列过程，并保留便于使用的递推更新关系？
- 方法与思路
- 作者在决策空间上定义时间序列，讨论Beta–Binomial、Poisson–Gamma及Student-t样本分布的稳态模型。
- 材料陈述的贡献
- 摘要称原模型可推广到广泛的非正态过程，并为所讨论的大多数过程提供简单更新关系及具体模型示例。
- 阅读关注点
- 应核对决策空间的定义、稳态模型的具体含义及更新关系的成立条件，并查看预测分布和初始信息如何设置。
- 阅读边界
- 仅依据所给Crossref摘要；摘要未说明完整模型条件、预测损失或比较结果，不能据此认定这些推广提高预测精度。
原文摘要
Summary The Bayesian Steady Forecasting model is generalized to a very wide class of processes other than the normal by defining the time series on the decision space. Examples of such processes are presented including a Beta-Binomial process, a Poisson-Gamma process and a Student-t sample distribution steady model. Simple updating relations are given for most of the processes discussed.