统计学 > 应用
[提交于 2025年7月10日
]
标题: 分布的函数时间序列预测:一种Koopman-Wasserstein方法
标题: Functional Time Series Forecasting of Distributions: A Koopman-Wasserstein Approach
摘要: 我们提出了一种新的方法,用于预测在离散时间点观察到的概率分布的时序演变。 扩展动态概率密度分解(DPDD),我们通过Koopman算子框架将分布动力学嵌入到Wasserstein几何中。 我们的方法引入了扩展动态模式分解(EDMD)的重要性加权变体,使得在2-Wasserstein空间中能够进行准确的闭式预测。 理论保证已建立:我们的估计器实现了谱收敛和最优有限样本Wasserstein误差。 模拟研究和一个对美国住房价格分布的真实应用表明,与现有的Wasserstein自回归等方法相比有显著改进。 通过整合最优传输、函数时间序列建模和谱算子理论,DPDD为分布预测提供了一个可扩展且可解释的解决方案。 这项工作在行为科学、公共卫生、金融和神经成像等领域具有广泛的意义——这些领域中演化的分布自然出现。 我们的框架有助于非欧几里得空间上的函数数据分析,并为建模和预测分布时间序列提供了一个通用工具。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.