fETSmcs: Feature-based ETS model component selection
fETSmcs：基于特征的 ETS 模型成分选择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：摘要以 ETS 时间序列模型选择为核心，并明确评估点预测和预测区间。
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…
fETSmcs：基于特征的 ETS 模型成分选择
- 研究问题
- 在大规模时间序列预测中，如何降低逐一拟合 ETS 候选模型并比较信息准则的计算成本，同时评价预测表现？
- 方法与思路
- 作者在模拟数据上训练分类器，根据时间序列特征预测 ETS 成分形式，并用模拟、M4 数据和月度医院数据进行评估。
- 材料陈述的贡献
- 摘要称提出更高效的 ETS 成分选择方式，评估点预测与预测区间表现，并在医院数据应用中展示性能改善。
- 阅读关注点
- 应核对所用特征、模拟训练分布、分类器设计，以及计算成本、点预测误差和区间覆盖率相对传统选择方法的比较。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或接收。摘要未说明分类器细节、性能改善幅度及跨数据场景的稳定性。
原文摘要
The well-developed ETS (ExponenTial Smoothing or Error, Trend, Seasonality) method incorporating a family of exponential smoothing models in state space representation has been widely used for automatic forecasting. The existing ETS method uses information criteria for model selection by choosing an optimal model with the smallest information criterion among all models fitted to a given time series. The ETS method under such a model selection scheme suffers from computational complexity when applied to large-scale time series data. To tackle this issue, we propose an efficient approach for ETS model selection by training classifiers on simulated data to predict appropriate model component forms for a given time series. We provide a simulation study to show the model selection ability of the proposed approach on simulated data. We evaluate our approach on the widely used forecasting competition data set M4, in terms of both point forecasts and prediction intervals. To demonstrate the practical value of our method, we showcase the performance improvements from our approach on a monthly hospital data set.