The projected dynamic linear model for time series on the sphere
球面时间序列的投影动态线性模型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：摘要明确提出球面时间序列状态空间模型，并开展在线推断与预测比较。
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
球面时间序列的投影动态线性模型
- 研究问题
- 如何为任意维度的球面时间序列建立灵活且可计算的贝叶斯模型，同时支持离线参数推断、在线更新及多种形式的预测？
- 方法与思路
- 作者以投影正态分布构造状态空间模型，采用 Gibbs 抽样完成离线贝叶斯推断，并用 Rao–Blackwell 化粒子滤波处理流数据。
- 材料陈述的贡献
- 摘要称，该模型适用于任意维度的球面序列，并在风向和能源市场应用中，相对比较方法改善点预测、集合预测及密度预测。
- 阅读关注点
- 应核对潜在状态投影后的可识别性、先验与采样步骤，在线滤波近似，以及不同预测形式的评分规则和样本外比较设置。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收均未核实；摘要未说明维度增长下的计算表现、具体比较模型或预测改善幅度。
原文摘要
Time series on the unit n-sphere arise in directional statistics, compositional data analysis, and many scientific fields. There are few models for such data, and the ones that exist suffer from several limitations: they are often computationally challenging to fit, many of them apply only to the circular case of n=2, and they are usually based on families of distributions that are not flexible enough to capture the complexities observed in real data. Furthermore, there is little work on Bayesian methods for spherical time series. To address these shortcomings, we propose a state space model based on the projected normal distribution that can be applied to spherical time series of arbitrary dimension. We describe how to perform fully Bayesian offline inference for this model using a simple and efficient Gibbs sampling algorithm, and we develop a Rao-Blackwellized particle filter to perform online inference for streaming data. In analyses of wind direction and energy market time series, we show that the proposed model outperforms competitors in terms of point, set, and density forecasting.