研究人员开发了一种新的拓扑感知状态空间框架，用于从复杂的时间序列数据中推断潜在动力学。该方法利用细胞复形上的随机偏微分方程来模拟状态演化和观测，即使在部分可观测和结构未知的情况下也是如此。该方法采用扩展卡尔曼滤波器进行递归状态估计，并采用期望最大化算法进行参数学习，同时使用启发式算法来推断缺失的拓扑结构。 AI
影响 引入了一个分析复杂、互联数据的新颖框架，有可能改进智能电网和交通管理等系统的推理。
排序理由 该集群包含一篇详细介绍时间序列分析新颖方法的学术论文。
- Expectation-Maximization algorithm
- Extended Kalman Filter
- Kalman Filtering
- Kalman Filter
- sensor networks
- transportation networks
- stochastic partial differential equations
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
