Identification of Shared Components in Large Ensembles of Time Series Using Dimension Reduction
利用降维识别大规模时间序列集合中的共享成分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：摘要直接研究大规模时间序列集合的随机成分建模，并给出失业率序列应用，支持时间序列分类。
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
利用降维识别大规模时间序列集合中的共享成分
- 研究问题
- 如何用少量随机时间序列成分简约表示大规模序列集合，同时识别各序列特有的成分实现，而非仅提取共享确定性结构？
- 方法与思路
- 作者以成分的序列特有实现之加权和表示各序列，提出适合大数据集的估计程序，并通过模拟、县级失业率与脑成像数据说明。
- 材料陈述的贡献
- 摘要称该框架具有计算可行性且模拟表现良好，并强调其随机成分目标与直接对时间序列集合使用主成分分析存在概念差别。
- 阅读关注点
- 应核对共享成分与序列特有实现如何区分、权重及成分如何识别、降维估计的计算要求，以及与主成分分析比较的依据。
- 阅读边界
- 仅据版本未注明的索引摘要；识别条件、模拟指标及数值结果未提供，不能将作者的概念区分理解为对所有主成分方法的性能否定。
原文摘要
In this article we present a framework for parsimonious modeling of large ensembles of time series. The idea is to identify a small number of stochastic time series components such that each series in the ensemble is a weighted sum of series-specific realizations of the components. We present an estimation procedure that is computationally tractable for large datasets. Through simulations, we argue that the estimators perform well. We illustrate the method using two datasets: monthly U.S. unemployment rates from 2069 counties over 134 months, and a functional magnetic resonance imaging series covering 10,740 voxels over 108 time points. Our framework is conceptually different from the principal component analysis (PCA) commonly used in multivariate data analysis. We argue that applying PCA directly to an ensemble of time series captures a shared deterministic structure, rather than the series-specific stochastic components that we seek.