Modelling matrix time series via a tensor CP-decomposition
基于张量 CP 分解的矩阵时间序列建模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。
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：摘要明确研究矩阵时间序列，并将降维方法用于建模和预测。
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…
基于张量 CP 分解的矩阵时间序列建模
- 研究问题
- 如何利用张量 CP 分解对矩阵时间序列降维建模，并通过序列依赖结构估计分解系数、支持预测？
- 方法与思路
- 作者以序列依赖构造广义特征分析的一遍式估计，再将降秩广义特征方程投影为低维满秩方程以改进估计。
- 材料陈述的贡献
- 摘要称所有分量系数向量可一致估计，改进方法能提升有限样本表现，并以模拟和真实数据展示建模及预测降维。
- 阅读关注点
- 应核对 CP 分解的识别与归一化、秩及投影维数的选择、序列依赖条件，以及预测评估和有限样本比较的设置。
- 阅读边界
- 仅据所给 Crossref 摘要，不能判断降维和预测改善的幅度或普遍性；具体一致性条件、数据与比较结果未说明。
原文摘要
Abstract We consider to model matrix time series based on a tensor canonical polyadic (CP)-decomposition. Instead of using an iterative algorithm which is the standard practice for estimating CP-decompositions, we propose a new and one-pass estimation procedure based on a generalized eigenanalysis constructed from the serial dependence structure of the underlying process. To overcome the intricacy of solving a rank-reduced generalized eigenequation, we propose a further refined approach which projects it into a lower-dimensional full-ranked eigenequation. This refined method can significantly improve the finite-sample performance. We show that all the component coefficient vectors in the CP-decomposition can be estimated consistently. The proposed model and the estimation method are also illustrated with both simulated and real data, showing effective dimension-reduction in modelling and forecasting matrix time series.