Fast, effective, and coherent time series modeling using the sparsity-ranked lasso
使用稀疏性排序 Lasso 进行快速、有效且一致的时间序列建模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：摘要明确研究季节性自回归时间序列建模，并比较样本应用中的预测准确性。
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
使用稀疏性排序 Lasso 进行快速、有效且一致的时间序列建模
- 研究问题
- 在季节性形式不确定或存在多种季节周期时，如何对自回归结构施加不同惩罚，同时兼顾外生变量、计算速度与预测？
- 方法与思路
- 作者将稀疏性排序 Lasso 的分层惩罚思想用于季节性自回归结构，允许加入外生变量，并通过 fastTS R 包实现。
- 材料陈述的贡献
- 摘要称，该方法适合高维特征和较长序列；在医院每小时急诊到达量应用中，比所比较方法更快且预测更准确。
- 阅读关注点
- 应核对不同滞后及季节项的惩罚排序、调参规则、预测评估的时间划分，以及计算速度比较的模型和运行环境。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未给出误差或耗时数值，单一应用不能保证普遍预测优势。
原文摘要
The sparsity-ranked lasso (SRL) has been developed for model selection and estimation in the presence of interactions and polynomials. The main tenet of the SRL is that an algorithm should be more skeptical of higher-order polynomials and interactions *a priori* compared to main effects, and hence the inclusion of these more complex terms should require a higher level of evidence. In time series, the same idea of ranked prior skepticism can be applied to the possibly seasonal autoregressive (AR) structure of the series during the model fitting process, becoming especially useful in settings with uncertain or multiple modes of seasonality. The SRL can naturally incorporate exogenous variables, with streamlined options for inference and/or feature selection. The fitting process is quick even for large series with a high-dimensional feature set. In this work, we discuss both the formulation of this procedure and the software we have developed for its implementation via the **fastTS** R package. We explore the performance of our SRL-based approach in a novel application involving the autoregressive modeling of hourly emergency room arrivals at the University of Iowa Hospitals and Clinics. We find that the SRL is considerably faster than its competitors, while producing more accurate predictions.