Recurrent Neural Networks for Forecasting Autoregressive Noncausal Processes
用循环神经网络预测自回归非因果过程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：摘要聚焦自回归因果-非因果时间序列的预测与极端值预测，直接对应时间序列与预测方向。
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…
关注这篇论文的作者
用循环神经网络预测自回归非因果过程
- 研究问题
- 摘要称，本文考察循环神经网络及其扩展在预测具有局部爆炸模式（如泡沫与尖峰）的自回归因果-非因果过程中的表现，关注不同网络类型与训练集长度下预测极端值的难度。
- 方法与思路
- 作者比较了RNN、LSTM、GRU、双向LSTM以及一个简单前馈网络（FNN），用于单变量非因果时间序列的预测，并考察了池化与修改损失函数对极端值点预测的改进。
- 材料陈述的贡献
- 摘要称，在泡沫期间预测单变量非因果时间序列的极端值时，FNN优于其他网络；并报告了池化与修改损失函数对极端值点预测的改进。
- 阅读关注点
- 应核对非因果过程的设定与识别方式、泡沫与尖峰的具体生成机制、各网络的训练与超参数设置、训练集长度的取值，以及FNN优势是否稳健、池化与修改损失函数的具体形式与评价指标。
- 阅读边界
- 仅依据摘要，无法判断模拟设计、数据生成过程、评价指标与统计显著性；摘要未说明是否使用真实数据、是否报告置信区间或稳健性检验。该文为arXiv预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
This paper examines the use of recurrent neural networks and their extensions for forecasting autoregressive causal-noncausal processes, characterized by local explosive patterns such as bubbles and spikes. We study the recurrent neural networks (RNN), long short-term memory networks (LSTM), gated recurrent unit (GRU), bidirectional LSTM, and also a simple feed-forward network (FNN) to reveal the difficulty of forecasting extreme values depending on the type of network and the length of the training set. We show that FNN outperforms other networks in predicting extreme values of a univariate noncausal time series during a bubble. We also examine the improvements of point predictions of extreme values resulting from pooling and a modified loss function.