Gaussian Process Modeling of Time Series
时间序列的高斯过程建模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：摘要直接讨论时间序列核函数、季节性、趋势及状态空间建模，属于时间序列方向；未明确提供专门的预测方法贡献。
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
时间序列的高斯过程建模
- 研究问题
- 如何利用高斯过程的核函数表达平稳、准周期及季节性时间变化，并将可解释的潜在成分分解扩展到非线性状态空间建模？
- 方法与思路
- 该章节介绍高斯过程回归、核函数、超参数估计及样本内外评价，用加法和乘法核组织时间结构，并结合粒子滤波与平滑估计潜在状态。
- 材料陈述的贡献
- 摘要描述一个方法介绍型章节，展示核函数对多种时间结构的表达能力及可解释分解，并通过例子连接高斯过程转移模型和潜在状态估计。
- 阅读关注点
- 应核对核函数选择与时间结构的对应关系、超参数估计和样本外评价方式，以及状态空间例子中粒子滤波、平滑和计算近似的处理。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要将其定位为介绍章节，未陈述新的识别或效率定理，也未提供模型表现的数值比较。
原文摘要
Gaussian processes (GPs) provide a flexible nonparametric framework for modeling time series through appropriately chosen kernel functions. This chapter introduces the basic formulation of Gaussian processes, commonly used kernels, GP regression, hyperparameter estimation, and model evaluation using in-sample and out-of-sample criteria. Applications to stationary, quasi-periodic, and seasonal time series illustrate how individual and composite kernels can represent different forms of temporal variation. Additive kernels also provide interpretable decompositions into latent components such as trend, smooth local variation, and seasonality, while product kernels allow more complex dependence structures to be constructed. Finally, Gaussian process state-space models (GP-SSMs) are briefly introduced, and a nonlinear example demonstrates how a GP transition model can be combined with particle filtering and smoothing for latent-state estimation.