Surrogate modeling with functional nonlinear autoregressive models (F-NARX)
函数型非线性外生输入自回归模型的代理建模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：摘要明确提出含外生输入的非线性自回归模型，并以预测误差和时间离散敏感性为重点，涉及时间序列与预测方法。
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…
函数型非线性外生输入自回归模型的代理建模
- 研究问题
- 对有外生输入的动力系统，能否通过时间特征而非选定离散时点建模，降低预测对时间网格的依赖并改善长期递推表现？
- 方法与思路
- 作者提出 F-NARX，以输入和响应的时间特征建立代理模型，使用主成分与多项式回归，并修改混合最小角回归以选择稀疏结构。
- 材料陈述的贡献
- 摘要称，时间特征表示可利用过程平滑性并提高预测稳定性，结构选择针对预期预测误差，两项建筑荷载案例展示了方法性质。
- 阅读关注点
- 应核对时间特征的构造、外生输入与历史响应的可用范围、预测误差目标如何估计，以及网格变化和多步递推下的稳定性。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；应用限于两个工程案例，摘要未给出误差数值或向经济序列推广的证据。
原文摘要
We propose a novel functional approach to surrogate modeling of dynamical systems with exogenous inputs. This approach, named Functional Nonlinear AutoRegressive with eXogenous inputs (F-NARX), approximates the system response based on temporal features of the exogenous inputs and the system response. This marks a major step away from the discrete-time-centric approach of classical NARX models, which determines the relationship between selected time steps of the input/output time series. By modeling the system in a time-feature space, F-NARX takes advantage of the temporal smoothness of the process being modeled, providing more stable predictions and reducing the dependence of model performance on the discretization of the time axis. In this work, we introduce an F-NARX implementation based on principal component analysis and polynomial regression. To further improve prediction accuracy, we also introduce a modified hybrid least angle regression approach to identify a sparse model structure and minimize the expected forecast error, rather than the one-step-ahead prediction error. We investigate the behavior and capabilities of our F-NARX implementation on two case studies: an eight-story building under wind loading and a three-story steel frame under seismic loading. Our results demonstrate that F-NARX has several favorable properties that make it well-suited to surrogate modeling applications.