Improved Forecasting for Multivariate Time Series using GNAR models with General Inverse Distance Weights
基于广义逆距离权重的GNAR模型改进多元时间序列预测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：摘要以网络型多元时间序列建模与预测为核心，涉及时间序列模型、预测评估与网络结构权重，故对应时间序列、预测与即时预测、网络与干扰三个方向。
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…
基于广义逆距离权重的GNAR模型改进多元时间序列预测
- 研究问题
- 摘要称，研究如何在网络型多元时间序列中引入可调的距离惩罚强度，以改进广义网络自回归（GNAR）模型的预测表现，并考察权重设定错误的影响。
- 方法与思路
- 作者提出GNARID模型，在GNAR基础上加入可调指数参数控制逆距离权重的惩罚强度；摘要称建立了新估计量的相合性与渐近正态性，并扩展到节点数增长的设定，同时通过模拟与Brumadinho地表位移数据评估。
- 材料陈述的贡献
- 摘要明确陈述的贡献是：提出带可调指数的广义逆距离权重GNAR模型，给出估计量的渐近理论结果（含节点数增长情形），分析指数误设对预测误差的影响，并在模拟与实证中显示正确设定权重可带来可测的预测改进。
- 阅读关注点
- 阅读全文时应核对：指数参数的识别与估计方式、节点数增长下的渐近框架与正则条件、误设分析的具体误差界或比较对象、模拟设计是否覆盖真实网络结构，以及Brumadinho数据的预测评估方案与基准模型。
- 阅读边界
- 仅凭摘要无法判断定理假设是否合理、模拟与实证结论是否稳健，也无法核实预测改进的幅度与统计显著性；摘要未说明权重形式的具体函数、估计方法细节与数据预处理。该文为arXiv预印本，未经同行评审验证。
原文摘要
Many multivariate time series arise on networks where relationships between variables depend on physical or more general distances. Standard vector autoregressive models struggle in such settings due to their quadratic parameter growth, while generalised network autoregressive (GNAR) models offer a parsimonious alternative by explicitly incorporating network structures. Existing GNAR formulations assume fixed weights, typically uniform or reciprocal distances, which may not reflect the true influence of distance in real systems. We introduce a novel model with general inverse distance weights (GNARID) that extends GNAR by introducing a tunable exponent parameter that controls the strength of distance penalisation. We establish theoretical results on the consistency and asymptotic normality of new GNARID estimators, including an extension to the setting where the number of nodes grows. We analyse the effect of misspecifying the exponent on forecasting error, which helps assess how much GNAR models could be improved by our tunable weights. Simulation studies confirm the theoretical properties and show measurable benefits from correct weight specification. Using the Brumadinho ground displacement dataset, we show that proper tuning of the weight exponent improves predictive performance, highlighting the practical value of flexible distance-based weighting in network time series models.