核类比预测：多尺度测试问题

Dmitry Burov; Dimitrios Giannakis; Krithika Manohar; Andrew Stuart

核类比预测：多尺度测试问题

统计理论 2020-11-24 v2 动力系统计算物理数据分析、统计与概率机器学习统计理论

作者: Dmitry Burov , Dimitrios Giannakis , Krithika Manohar , Andrew Stuart

摘要

随着可用数据量增长及算法发展与之匹配，数据驱动预测正日益普及。所作预测的性质及其应被解读的方式，关键取决于所选预测变量是否为马尔可夫或近似马尔可夫。多尺度系统提供了一个可分析此问题的框架。本文从多尺度动力系统生成数据之视角研究核类比预测方法。所选问题展现出多种不同的马尔可夫闭包，运用平均化与均匀化；此外亦考量无尺度分离且预测变量非马尔可夫之情形。这些研究为实践中使用数据驱动预测方法提供解读指导。

关键词

核类比预测多尺度系统马尔可夫数据驱动预测平均化均匀化动力系统

引用

@article{arxiv.2005.06623,
  title  = {Kernel Analog Forecasting: Multiscale Test Problems},
  author = {Dmitry Burov and Dimitrios Giannakis and Krithika Manohar and Andrew Stuart},
  journal= {arXiv preprint arXiv:2005.06623},
  year   = {2020}
}

备注

30 pages, 14 figures; clarified several ambiguous parts, added references, and a comparison with Lorenz' original method (Sec. 4.5)

核类比预测：多尺度测试问题

摘要

关键词

引用

备注

相关论文