[论文解读] A Functional Wavelet-Kernel Approach for Continuous-time Prediction

Anestis Antoniadis, Efstathios Paparoditis+1 more|arXiv (Cornell University)|May 10, 2005

Image and Signal Denoising Methods参考文献 34被引用 6

一句话总结

该论文提出了一种基于函数小波核的方法，用于连续时间下对随机过程进行预测。通过将观测到的片段建模为曲线，并利用小波基相似性度量在非参数回归框架中对过去轨迹进行加权。该方法通过重抽样程序实现了渐近有效的逐点预测区间，对不规则样本路径和非平稳结构具有鲁棒性，且无需严格依赖ARH(1)假设。

ABSTRACT

We consider the prediction problem of a continuous-time stochastic process on an entire time-interval in terms of its recent past. The approach we adopt is based on functional kernel nonparametric regression estimation techniques where observations are segments of the observed process considered as curves. These curves are assumed to lie within a space of possibly inhomogeneous functions, and the discretized times series dataset consists of a relatively small, compared to the number of segments, number of measurements made at regular times. We thus consider only the case where an asymptotically non-increasing number of measurements is available for each portion of the times series. We estimate conditional expectations using appropriate wavelet decompositions of the segmented sample paths. A notion of similarity, based on wavelet decompositions, is used in order to calibrate the prediction. Asymptotic properties when the number of segments grows to infinity are investigated under mild conditions, and a nonparametric resampling procedure is used to generate, in a flexible way, valid asymptotic pointwise confidence intervals for the predicted trajectories. We illustrate the usefulness of the proposed functional wavelet-kernel methodology in finite sample situations by means of three real-life datasets that were collected from different arenas.

研究动机与目标

• 解决在将来的某个时间区间内预测整个连续时间轨迹，而非离散点的问题。
• 开发一种非参数预测方法，避免对ARH(1)或平滑样本路径等强参数假设的依赖。
• 将基于小波的相似性度量应用于函数型数据，以在存在不规则或非均匀曲线时提升预测精度。
• 通过基于重抽样的程序构建有效且渐近正确的逐点预测区间。
• 在不同领域的实际数据集中展示该方法的实用价值。

提出的方法

• 将观测时间序列表示为固定区间内的函数块 $ Z_i(t) = X(t + (i-1) au) $，以支持函数型数据分析。
• 对函数块进行小波分解，提取作为曲线间相似性度量基础的小波系数。
• 使用核回归估计器，其中过去块的权重取决于其小波系数向量之间的距离。
• 采用重抽样方案生成伪块，并估计未来值的条件分布，从而实现逐点预测区间。
• 通过随块数增加而收缩的带宽参数 $ h_n $ 校准预测，确保渐近一致性。
• 在弱混合条件（$\alpha$-mixing）以及小波在Besov空间中逼近的假设下，建立理论有效性。

实验结果

研究问题

• RQ1 基于小波的相似性度量能否提升对具有不规则或非光滑样本路径的连续时间过程的函数型非参数预测？
• RQ2 在不依赖参数模型假设的前提下，如何构建函数型预测的渐近有效逐点预测区间？
• RQ3 在弱依赖和非均匀函数空间下，小波核预测器的渐近行为如何？
• RQ4 在有限样本中，该方法与平滑样条和SARIMA模型等既有方法相比表现如何？
• RQ5 重抽样程序在多大程度上能准确近似未来轨迹的条件分布？

主要发现

• 在弱 $ \alpha $-混合和Besov空间假设下，随着块数 $ n \to \infty $，所提出的波小波核预测器在估计条件期望 $ \mathbb{E}[Z_{n+1}(t_i) \mid Z_n] $ 时达到 $ L^2 $-一致性。
• 基于重抽样的预测区间具有渐近有效性，重抽样残差的经验分布以概率一致收敛于真实预测误差的条件分布。
• 该方法在三个来自不同领域的实际数据集上表现出强劲的有限样本性能，其覆盖性和准确性均优于平滑样条和基于SARIMA的预测。
• 利用小波系数进行相似性度量，使得即使在曲线不规则或表现出局部非平稳性时，也能实现鲁棒预测。
• 核估计器的收敛速度取决于底层过程在Besov空间中的光滑度，过程越光滑，收敛速度越快。
• 理论结果证实，重抽样方案一致地估计了预测误差的条件分布，从而确保了可靠的区间估计。