Dynamic linear regression models for forecasting time series with semi long memory errors
具有半长记忆误差的动态线性回归预测模型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：摘要围绕动态时间序列回归、误差长期依赖及能源预测中的贝叶斯计算展开。
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…
具有半长记忆误差的动态线性回归预测模型
- 研究问题
- 当动态回归误差具有传统 ARIMA 难以捕捉的长期依赖时，如何刻画参数后验不确定性并高效预测大规模时间序列？
- 方法与思路
- 作者构建具有半长记忆误差的动态线性回归，并利用频域方法设计马尔可夫链蒙特卡洛算法，实现大数据下的近似贝叶斯推断。
- 材料陈述的贡献
- 摘要称，频域算法具有渐近精确性且较传统时域方法更快；模拟及两个能源预测应用显示所建模型优于若干比较方法。
- 阅读关注点
- 应核对半长记忆过程的定义、频域近似和渐近精确性条件，以及算法速度、后验误差与预测比较所采用的评估设计。
- 阅读边界
- 这是预印本，同行评审未经核实。摘要未给出具体依赖参数、计算耗时或预测指标，所述优势不能推广到所有序列和基准。
原文摘要
Dynamic linear regression models forecast the values of a time series based on a linear combination of a set of exogenous time series while incorporating a time series process for the error term. This error process is often assumed to follow a stationary autoregressive integrated moving average (ARIMA) model, or its seasonal variants, which are unable to capture a long-range dependence structure (long memory) of the error process. We propose a novel dynamic linear regression model that incorporates the long-range dependence feature of the errors and show that the proposed error process may: (i) have a significant impact on the posterior uncertainty of the estimated regression parameters and (ii) improve the model's forecasting ability. We develop a Markov chain Monte Carlo method to fit general dynamic linear regression models based on a frequency domain approach that enables fast, asymptotically exact Bayesian inference for large datasets. We demonstrate that our approximate algorithm is faster than the traditional time domain approaches, such as the Kalman filter and the multivariate Gaussian likelihood, while producing a highly accurate approximation to the posterior. The method is illustrated in simulated examples and two energy forecasting applications, showing that it outperforms approaches that do not account for semi-long memory, as well as a state-of-the-art neural-network-based forecasting procedure.