From Vector Autoregressions to AI-based Time Series Forecasting: A Review
从向量自回归到人工智能时间序列预测：综述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：摘要以 VAR 与人工智能时间序列预测为主线，讨论动态和预测分布，直接对应时间序列与预测；并非冲击识别研究。
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
从向量自回归到人工智能时间序列预测：综述
- 研究问题
- 如何通过给定过去的未来条件分布，将 VAR 与现代人工智能预测方法联系起来，并比较其应对高维、非平稳和非线性的路径？
- 方法与思路
- 作者围绕三项长期挑战，综述 transformer、零样本预训练模型和扩散生成预测器，以统一的条件预测分布视角连接计量传统。
- 材料陈述的贡献
- 摘要提出现代方法通过灵活动态、更大信息集及更丰富预测分布扩展经典框架，同时指出其推断、结构解释和政策分析工具不足。
- 阅读关注点
- 应核对综述的文献覆盖与比较标准、不同方法的预测分布表达，以及非平稳适应、统计推断和政策用途分别有哪些证据。
- 阅读边界
- 这是预印本，同行评审及期刊接收未获核实。摘要提供综述性论点而非统一性能实验，不能据此断言人工智能方法全面优于 VAR。
原文摘要
Forecasting is a central goal of time-series analysis. This review centers on three major developments in recent AI-based time-series forecasting: transformers, large pretrained models for zero-shot forecasting, and diffusion-based generative forecasters. We connect these methods to the econometric tradition built around the vector autoregression (VAR) through a common object: the conditional distribution of the future given the past. The review is organized around three long-standing challenges: \emph{high dimensionality}, \emph{nonstationarity}, and \emph{nonlinearity}. We argue that modern methods make progress by expanding the classical forecasting template: they allow more flexible dynamics, use larger information sets and training corpora, and represent richer predictive distributions. Yet they often lack the inferential and structural tools that make classical models useful for testing, explanation, and policy analysis. We close by outlining open problems where econometric tools remain important.