Rollage: Efficient Rolling Average Algorithm to Estimate ARMA Models for Big Time Series Data
Rollage：面向大型时间序列的 ARMA 模型滚动平均估计算法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：摘要直接研究 AR、ARMA 模型及大型时间序列估计算法，因此归入时间序列方向。
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…
Rollage：面向大型时间序列的 ARMA 模型滚动平均估计算法
- 研究问题
- 面对大规模时间序列，如何利用滚动平均的统计性质，提高自回归模型拟合效率，并进一步辅助选择和拟合 ARMA 模型？
- 方法与思路
- 作者定义滚动平均并推导解析性质和渐近分布，据此构造 Rollage 算法拟合 AR 模型，再结合 Durbin 算法形成 ARMA 拟合准则。
- 材料陈述的贡献
- 摘要称，滚动平均的理论结果支持新的高效算法；大规模合成时间序列实验支持其理论分析，并展示相对现有方法的有效性。
- 阅读关注点
- 应核对滚动平均的具体定义、渐近分布所需条件、模型阶数选择标准，以及计算成本和统计误差如何随样本规模变化。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核验；摘要未说明最优拟合的判据、复杂度或比较设置，实验仅明确涉及合成序列。
原文摘要
We develop a new efficient algorithm for the analysis of large-scale time series data. We firstly define rolling averages, derive their analytical properties, and establish their asymptotic distribution. These theoretical results are subsequently exploited to develop an efficient algorithm, called Rollage, for fitting an appropriate AR model to big time series data. When used in conjunction with the Durbin's algorithm, we show that the Rollage algorithm can be used as a criterion to optimally fit ARMA models to big time series data. Empirical experiments on large-scale synthetic time series data support the theoretical results and reveal the efficacy of this new approach, especially when compared to existing methodology.