کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
7408087 | 1481427 | 2018 | 16 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Structured low-rank matrix completion for forecasting in time series analysis
ترجمه فارسی عنوان
تکمیل ماتریس کمینه ساختاری برای پیش بینی در تجزیه و تحلیل سری زمانی
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
ماتریکس هانکل، تکمیل ماتریس کم رتبه، پیش بینی، هنجار هسته ای،
ترجمه چکیده
در این مقاله، مسئله تکمیل ماتریس کم رتبه، با یک برنامه خاص برای پیش بینی در تجزیه و تحلیل سری ها در نظر گرفته می شود. به طور خلاصه، مسئله تکمیل ماتریس کم رتبه مشکل وارد کردن مقادیر گم شده یک ماتریس تحت محدودیت رتبه است. ما یک مسئله تکمیل ماتریس را برای ماتریکس هاینکل و یک آرامش محدب بر اساس هسته هسته ای در نظر می گیریم. بر اساس نتایج نظری جدید و تعدادی از نمونه های عددی و واقعی، ما مواردی را بررسی می کنیم که در آن رویکرد پیشنهادی می تواند کار کند. نتایج ما اهمیت انتخاب یک طرح وزن مناسب برای مشاهدات شناخته شده را برجسته می کند.
موضوعات مرتبط
علوم انسانی و اجتماعی
مدیریت، کسب و کار و حسابداری
کسب و کار و مدیریت بین المللی
چکیده انگلیسی
This paper considers the low-rank matrix completion problem, with a specific application to forecasting in time series analysis. Briefly, the low-rank matrix completion problem is the problem of imputing missing values of a matrix under a rank constraint. We consider a matrix completion problem for Hankel matrices and a convex relaxation based on the nuclear norm. Based on new theoretical results and a number of numerical and real examples, we investigate the cases in which the proposed approach can work. Our results highlight the importance of choosing a proper weighting scheme for the known observations.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: International Journal of Forecasting - Volume 34, Issue 4, OctoberâDecember 2018, Pages 582-597
Journal: International Journal of Forecasting - Volume 34, Issue 4, OctoberâDecember 2018, Pages 582-597
نویسندگان
Jonathan Gillard, Konstantin Usevich,