Similarity-Based Prediction for Digital Twins: Panel Data, Theory, and Applications
数字孪生的相似性预测：面板数据、理论与应用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：摘要明确提出非参数动态面板预测框架，面板数据是方法的直接对象。
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
数字孪生的相似性预测：面板数据、理论与应用
- 研究问题
- 面对持续到来的面板数据，如何利用非相邻时期重复出现的输入输出模式，避免仅依赖时间邻近性而损失目标点预测信息？
- 方法与思路
- 作者提出 StaLoP，以目标局部状态向量表示面板，用经验差异分数确定历史面板权重，再结合协变量局部化进行预测。
- 材料陈述的贡献
- 摘要称建立了偏差方差分析、渐近正态性、同时预测带及经局部自由度修正的模型选择准则，并在多类应用中改善样本外预测。
- 阅读关注点
- 应核对目标局部状态与兼容性的定义、序列依赖和面板增长条件，以及预测带有效性和模型选择准则的推导与验证。
- 阅读边界
- 这是 arXiv 预印本，同行评审及接收未核实；摘要未说明渐近框架、比较基准和预测改善幅度，不能据此判断普遍优势。
原文摘要
Prediction from sequential panel data is central to digital-twin modeling, where new panels arrive over time and the predictive system is updated sequentially. Existing methods often rely on temporal proximity, which can fail when similar input-output patterns recur at nonadjacent times or when recent panels differ from the target panel. We propose State-Local Prediction (StaLoP), a nonparametric dynamic panel prediction framework that utilizes information through target-local predictive compatibility. StaLoP represents panels using target-local state vectors, compares historical and target panels via empirical discrepancy scores to determine relevance weights for the target point, and combines these weights with covariate localization. Theoretical results, including bias-variance characterization, asymptotic normality, simultaneous prediction bands, and a target-local-GDF-corrected MSPE criterion for panel and model selection, are developed. Extensive simulations validate the performance of StaLoP and support its theoretical properties. Applications to sequence prediction, simulator calibration, variable selection, and county-to-county migration-flow forecasting demonstrate improved out-of-sample prediction and provide scientific insights into the underlying applications.