Modelling matrix time series via a tensor CP-decomposition
基于张量 CP 分解的矩阵时间序列建模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：摘要直接研究矩阵时间序列的序列依赖建模，并展示预测用途，因此归入时间序列与预测方向。
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…
基于张量 CP 分解的矩阵时间序列建模
- 研究问题
- 如何利用矩阵时间序列的序列依赖结构估计张量 CP 分解，并在允许非平稳的情形下实现降维建模与预测？
- 方法与思路
- 作者提出基于广义特征分析的一次性估计程序，再将降秩广义特征方程投影为低维满秩方程，以改善估计表现。
- 材料陈述的贡献
- 摘要称，方法在不要求平稳的一般设定下具有一致性及收敛率；模拟与实际数据展示了降维建模和预测用途。
- 阅读关注点
- 应核对 CP 分解的可识别条件、非平稳过程的限制、维度与样本量关系，以及投影步骤和预测比较的具体设计。
- 阅读边界
- 这是预印本，不能据此确认同行评审或期刊接收；摘要未说明具体收敛率、秩选择规则及有限样本改善的适用范围。
原文摘要
We consider to model matrix time series based on a tensor CP-decomposition. Instead of using an iterative algorithm which is the standard practice for estimating CP-decompositions, we propose a new and one-pass estimation procedure based on a generalized eigenanalysis constructed from the serial dependence structure of the underlying process. To overcome the intricacy of solving a rank-reduced generalized eigenequation, we propose a further refined approach which projects it into a lower-dimensional full-ranked eigenequation. This refined method improves significantly the finite-sample performance of the estimation. The asymptotic theory has been established under a general setting without the stationarity. It shows, for example, that all the component coefficient vectors in the CP-decomposition are estimated consistently with certain convergence rates. The proposed model and the estimation method are also illustrated with both simulated and real data; showing effective dimension-reduction in modelling and forecasting matrix time series.