Autocorrelation functions for point-process time series
点过程时间序列的自相关函数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：摘要明确研究点过程时间序列的自相关，并考察自回归与移动平均动态模式。
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
点过程时间序列的自相关函数
- 研究问题
- 当较长的时空点过程被切分为逐期点过程观测时，如何构造计算简便的自相关图，识别各期之间的动态依赖？
- 方法与思路
- 作者假设点过程服从具有对数高斯强度的双随机泊松模型，提出基于分箱的自相关图，并建立自相关估计的渐近分布。
- 材料陈述的贡献
- 摘要称方法计算简单，模拟可识别常见自回归和移动平均模式，并在芝加哥共享单车需求与街头盗窃点过程上展示应用。
- 阅读关注点
- 应核对自相关的定义、分箱选择与时间切分的影响、渐近分布所需条件，以及强度模型误设时模式识别的可靠性。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未说明渐近方案、分箱敏感性或检验校准，不能推广到任意点过程。
原文摘要
This article introduces autocorrelograms for time series of point processes. Such time series usually arise when a longer temporal or spatio-temporal point process is sliced into smaller time units; for example, when an annual process is sliced into 365 daily replications. We assume the point processes follow a doubly-stochastic Poisson model with log-Gaussian intensity functions. The proposed autocorrelograms are computationally simple and based on binning. The asymptotic distribution of the autocorrelations is established. The ability of the method to detect the patterns of common autoregressive and moving-average time series models is shown by simulation. Two examples of application to temporal and spatial point-process time series are shown, pertaining bike demand in the Divvy bike-sharing system of Chicago and street theft in Chicago, respectively.