Generalized Exponential Predictors for Time Series Forecasting
用于时间序列预测的广义指数预测器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：摘要直接研究平稳与非平稳单变量时间序列预测，并与 ARIMA 比较，因此选择时间序列和预测方向。
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
用于时间序列预测的广义指数预测器
- 研究问题
- 对平稳与非平稳单变量时间序列，如何改造指数加权移动平均，以改善无限自回归过程的有限近似及预测表现？
- 方法与思路
- 作者提出广义指数预测器并给出理论依据，使修改后的自回归拟合与有限自回归拟合成为特例，再用实际序列和模拟比较。
- 材料陈述的贡献
- 摘要称，方法在能源序列上与 ARIMA 表现相当、在全球温度序列上有所改善，特定长程依赖模式的模拟也显示潜在提升。
- 阅读关注点
- 应核对预测器权重及参数选择、平稳与非平稳情形的理论条件，以及实际预测评价方式和产生改善的长程依赖模式。
- 阅读边界
- 依据版本未注明的 OpenAlex 索引摘要；预测期限、误差数值及长程依赖条件未说明，不能把两个案例和特定模拟中的表现推广为普遍优势。
原文摘要
We consider the problem of prediction for stationary and nonstationary univariate time series using a modification suggested by the usual exponentially weighted moving average method. The modification leads to a class of general exponential predictors that can improve on the usual finite approximations to an infinite autoregressive process. We provide the theoretical justifications and suggest a class of predictors that covers modified and finite autoregressive fits as special cases. Two examples involving sample data show how the method is competitive with autoregressive integrated moving average (ARIMA) when applied to a U.S. energy use series and improves on ARIMA when applied to a global temperature series. A simulation indicates that considerable improvements are possible for infinite autoregressive (ARIMA) processes exhibiting certain special patterns of long-range dependence.