Estimation and Identification of Space-Time ARMAX Models in the Presence of Missing Data
缺失数据下时空 ARMAX 模型的估计与识别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。
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：摘要直接讨论多元空间时间序列及 ARMAX 模型的估计与识别，空间依赖本身不足以归为网络与干扰。
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
缺失数据下时空 ARMAX 模型的估计与识别
- 研究问题
- 受空间和时间上的数据采集限制，多元空间时间序列出现缺失或不完整观测时，如何进行 ARMAX 模型的拟合与识别？
- 方法与思路
- 作者把空间建模方法与 ARMAX 参数化结合，提出多元空间时间序列的建模和拟合程序，并允许一般形式的缺失观测模式。
- 材料陈述的贡献
- 摘要称，所提估计和识别程序能够容纳一般的缺失或不完整数据模式，面向时空数据采集受物理条件限制的情形。
- 阅读关注点
- 应核对空间依赖的参数化、缺失数据如何进入估计程序、模型识别的含义，以及不同缺失机制下所需条件。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；算法、缺失机制及统计性质均未详述，容纳缺失模式不等于解决非随机缺失偏差，不能推断刊本变化。
原文摘要
A method for modeling and fitting multivariate spatial time series data based on current spatial methodology coupled with the parameterization of the ARMAX model is presented. Because of the physical constraints imposed on multivariate data collection in both space and time, the estimation and identification procedures tolerate general patterns of missing or incomplete data.