Forecasting Technological Substitutions with Concurrent Short Time Series
利用同期短时间序列预测技术替代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：摘要明确围绕短时间序列的序列相关建模与预测准确性展开，因此归入时间序列与预测方法方向。
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
利用同期短时间序列预测技术替代
- 研究问题
- 当技术替代数据具有较强序列相关、各案例的观测期又很短时，如何利用同期多个案例改善增长曲线预测？
- 方法与思路
- 作者提出广义增长曲线模型，将幂变换与重复测量结合，并让多个同期案例共享序列协方差结构。
- 材料陈述的贡献
- 摘要称，该模型面向既有变换增长模型在短序列下失效的问题，并以电话交换设备数据展示预测准确性的改善。
- 阅读关注点
- 应核对共同协方差结构的适用条件、幂变换参数的估计方式，以及预测比较的基准、样本划分与误差指标。
- 阅读边界
- 仅有 OpenAlex 索引摘要，稿件版本未注明；预测改善的幅度与适用范围未说明，不能推断全文或后续刊本变化。
原文摘要
It has been shown in the literature that the data of technological substitutions exhibit a strong correlation across different time periods, that is, a strong serial correlation. Significant improvement in predicting such substitutions has been achieved by incorporating serial correlation and power transformation parameters into four growth curve models. The modified models, or data-based transformed models, however, break down when the number of time points is small. This article proposes a generalized growth curve model for forecasting technological substitutions with concurrent short time series. The model combines the concepts of power transformations and repeated measurements with a common serial covariance structure. Concurrent time series for several cases provide the repeated measurement requirement of the model. Improvement in forecasting accuracy by using this model is demonstrated with a set of telephone switching data.