Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > stat > arXiv:2507.07570

帮助 | 高级搜索

统计学 > 应用

arXiv:2507.07570 (stat)
[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

Authors:Ziyue Wang, Yuko Araki
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。
摘要: We propose a novel method for forecasting the temporal evolution of probability distributions observed at discrete time points. Extending the Dynamic Probability Density Decomposition (DPDD), we embed distributional dynamics into Wasserstein geometry via a Koopman operator framework. Our approach introduces an importance-weighted variant of Extended Dynamic Mode Decomposition (EDMD), enabling accurate, closed-form forecasts in 2-Wasserstein space. Theoretical guarantees are established: our estimator achieves spectral convergence and optimal finite-sample Wasserstein error. Simulation studies and a real-world application to U.S. housing price distributions show substantial improvements over existing methods such as Wasserstein Autoregression. By integrating optimal transport, functional time series modeling, and spectral operator theory, DPDD offers a scalable and interpretable solution for distributional forecasting. This work has broad implications for behavioral science, public health, finance, and neuroimaging--domains where evolving distributions arise naturally. Our framework contributes to functional data analysis on non-Euclidean spaces and provides a general tool for modeling and forecasting distributional time series.
评论: 正在审阅中,行为计量学
主题: 应用 (stat.AP)
引用方式: arXiv:2507.07570 [stat.AP]
  (或者 arXiv:2507.07570v1 [stat.AP] 对于此版本)
  https://doi.org/10.48550/arXiv.2507.07570
通过 DataCite 发表的 arXiv DOI(待注册)

提交历史

来自: Ziyue Wang [查看电子邮件]
[v1] 星期四, 2025 年 7 月 10 日 09:17:17 UTC (495 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
查看许可
当前浏览上下文:
stat.AP
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-07
切换浏览方式为:
stat

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

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

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

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.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号