非平稳季节性动态因子模型：米纳斯格拉纳州温度时间序列的应用
计算机视觉与模式识别
2025-10-20 v1
摘要
在许多科学领域，如农业中，温度时间序列既是解释变量，也是独立研究对象。然而，在州层面，纳入分析中所有可能位置的信息会非常繁琐，而使用诸如州wide 平均温度等概览度量会导致显著的信息损失。在这种情况下，使用动态因子模型（DFM）提供了一个有说服力的替代方案，用于分析此类多变量时间序列，因为它们允许从数据中提取捕获数据大部分变异性的少数公共因子。鉴于温度序列通常具有季节性质，本研究将非平稳季节性 DFM 应用于米纳斯格拉纳州的多变量温度时间序列分析。结果表明，该数据可以由两个季节性因子有效表示：第一个因子捕捉该州的一般季节模式，而第二个因子则对比年度最高温度月份在两个不同地区之间的差异。
引用
@article{arxiv.2510.15666,
title = {Uncertainty-Aware Extreme Point Tracing for Weakly Supervised Ultrasound Image Segmentation},
author = {Lei Shi and Gang Li and Junxing Zhang},
journal= {arXiv preprint arXiv:2510.15666},
year = {2025}
}