rfBLT: Random Feature Bayesian Lasso Takens Model for time series forecasting
rfBLT：用于时间序列预测的随机特征贝叶斯 Lasso Takens 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：摘要明确研究非线性时间序列建模、预测及预测不确定性。
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
rfBLT：用于时间序列预测的随机特征贝叶斯 Lasso Takens 模型
- 研究问题
- 如何在时间序列预测中同时刻画非线性动力结构与预测不确定性，并结合延迟嵌入、随机特征和贝叶斯正则化？
- 方法与思路
- 作者以 Takens 定理为基础构建延迟嵌入，再通过随机特征映射到高维空间，利用贝叶斯 Lasso 选择相关项并给出可信区间。
- 材料陈述的贡献
- 摘要称，rfBLT 在模拟数据上与传统模型表现相当，在实际数据上优于所比较的统计与机器学习模型，并提供同名 R 包。
- 阅读关注点
- 应核对嵌入维数与延迟选择、先验和随机特征设定，以及预测区间覆盖、时间顺序划分和基准模型调参是否公平。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收均未核实；摘要未说明数据集、评价指标和区间校准，其优越性不能直接推广。
原文摘要
Time series prediction is challenging due to our limited understanding of the underlying dynamics. Conventional models such as ARIMA and Holt's linear trend model experience difficulty in identifying nonlinear patterns in time series. In contrast, machine learning models excel at learning complex patterns and handling high-dimensional data; however, they are unable to quantify the uncertainty associated with their predictions, as statistical models do. To overcome these drawbacks, we propose Random Feature Bayesian Lasso Takens (rfBLT) for forecasting time series data. This non-parametric model captures the underlying system via the Takens' theorem and measures the degree of uncertainty with credible intervals. This is achieved by projecting delay embeddings into a higher-dimensional space via random features and applying regularization within the Bayesian framework to identify relevant terms. Our results demonstrate that the rfBLT method is comparable to traditional statistical models on simulated data, while significantly outperforming both conventional and machine learning models when evaluated on real-world data. The proposed algorithm is implemented in an R package, rfBLT.