机器学习预测方式
为什么时间序列预测很难 机器学习和深度学习已越来越多应用在时序预测中。ARIMA 或指数平滑等经典预测方法正在被 XGBoost、 高斯过程或深度学习等机器学习回归算法所取代。 尽管时序模型越来越复杂，但人们对时序模型的性能表示怀疑。 有研究表明，复杂的时序模型并不一定会比时序分解模型有效。 时间序列是按时间排序的值， …
机器学习预测模型应用 DEMO
# -*- coding: utf-8 -*- # *************************************************** # * File : ml_forecasting.py # * Author : Zhefeng Wang # * Email : …
Deep Time Series Models 总结
一、研究背景与意义 时间序列数据特性：时间序列是按离散时间顺序组织的数据点序列，广泛存在于金融风险评估、能源可持续性、天气预报等现实场景。 与图像、文本数据不同，其语义信息主要源于时间变化，存在非线性模式与时间变异趋势交织的独特挑战，需复杂方法提取有意义的时间表征。 研究发展历程：时间序列分析已有数百年研究历史，早期依 …
【Paper】TimeXer：融合外生变量的时间序列预测 Transformer 模型
一、研究背景与问题 时间序列预测的现实需求：时间序列预测在气象、电力、交通等领域应用广泛， 但现实场景中数据常存在部分观测特性，仅依赖目标变量（内生变量）难以保证预测准确性。 外生变量的重要性：外生变量（如经济指标、人口变化、社会事件等）能为内生变量预测提供关键外部信息。 例如，电价预测需结合市场供需等外生变量，仅靠历 …
【Paper】Time-series Dense Encoder（TiDE）：长期时间序列预测模型研究总结
一、研究背景与动机 长期时间序列预测的重要性：长期时间序列预测（基于长历史窗口预测未来多步）是时间序列分析的核心问题，在能源、金融、交通等领域应用广泛。 现有模型的局限： 深度学习模型（如 Transformer 类模型，包括 Informer、Autoformer 等）虽曾被认为是长期预测的先进方案，但近年研 …
【Paper】PatchTST：A Time Series is Worth 64 Words：Long-Term Forecasting with Transformers
一、论文基本信息 发表会议：ICLR 2023 作者团队：Yuqi Nie（普林斯顿大学）、Nam H. Nguyen、Phanwadee Sinthong、Jayant Kalagnanam（IBM 研究院） 核心主题：提出基于 Transformer 的高效模型 PatchTST，用于多变量时间序列预测和自监督表示 …
【Paper】iTransformer
参考 iTransformer: 倒置Transformer，刷新时序预测新纪录
【Paper】WaveNet
论文简介 论文名称： 论文地址： 模型代码： 历史研究和瓶颈 论文贡献 问题定义 模型定义 实验结果 总结 参考
【Paper】N-BEATS
论文简介 题目：N-BEATS: Neural Basis Expansion Analysis for Interpretable Time Series Forecasting. 代码：https://github.com/ElementAI/N-BEATS 历史研究和瓶颈 在 M4 竞赛中，前排基本都用机器学习的 …
【Paper】 FEDformer
论文简介 论文名称：FEDformer: Frequency Enhanced Decomposed Transformer for Long-term Series Forecasting. 论文地址：https://proceedings.mlr.press/v162/zhou22g/zhou22g.pdf 模型代 …
Deep Time Series Models 综述
论文信息 论文名称：Deep Time Series Models: A Comprehensive Survey and Benchmark 论文地址：https://arxiv.org/abs/2407.13278 论文代码：https://github.com/thuml/Time-Series-Library …
【paper】TimesNet
论文信息 论文名称：TimesNet: Temporal 2D-Variation Modeling for General Time Series Analysis 论文地址：https://openreview.net/pdf?id=ju_Uqw384Oq 论文代 …
【Paper】 Autoformer
论文信息 论文名称：Autoformer: Decomposition Transformers with Auto-Correlation for Long-Term Series Forecasting. 论文地址：https://arxiv.org/abs/2106.13008 论文代码： …
【Paper】TFT：Temporal Fusion Transformers
论文简介 论文：Temporal Fusion Transformers for Interpretable Multi-horizon Time Series Forecasting 作者：牛津大学和谷歌云AI 代 …
【Paper】LTSF-Linear
论文简介 论文名称：Are Transformers Effective for Time Series Forecasting? 论文地址：https://arxiv.org/abs/2205.13504 模型代码：https://github.com/cure-lab/LTSF-Linear …
【Paper】TBATS
论文简介 历史研究和瓶颈 论文贡献 问题定义 模型定义 实验结果 总结 资料
【Paper】Informer
论文简介 论文名称：Informer: Beyond Efficient Transformer for Long Sequence Time-Series Forecasting. 论文地址：https://arxiv.org/abs/2012.07436 论文代码： …
【Paper】LSTNet
论文简介 历史研究和瓶颈 论文贡献 问题定义 模型定义 实验结果 总结 资料 参考 LSTNet详解 paper code
【Paper】DeepAR
论文简介 题目：DeepAR: Probabilistic Forecasting with Autoregressive Recurrent Networks 作者：亚马逊 代码：https://github.com/husnejahan/DeepAR-pytorch 简介：一种使用自回归 RNN …
【Paper】AR-Net
论文简介 论文名称：AR-Net: A simple Auto-Regressive Neural Network for time-series. 论文地址：https://arxiv.org/pdf/1911.12436.pdf 论文代码：https://github.com/ourownstory/AR-Net …
VAR
向量自回归模型
Theta
Theta 介绍 Theta 模型基本上依赖于分解。我们知道时间序列可以分解为三个部分：趋势部分、季节性部分和残差。 因此，将序列分解为各个组成部分，对未来预测每个组成部分，并将每个部分的预测组合成最终预测，是一个合理的做法。 不幸的是，在实践中这并不奏效，尤其是因为很难分离残差并对其进行预测。 因此，Theta 模型 …
时间序列非平稳时序模型
非平稳时间序列分析介绍 在自然界中绝大部分序列都是非平稳的，因而对非平稳序列的分析更普遍、更重要。 对于非平稳时间序列分析，根据残差序列的方差是否相同，时序分析可以分为两种： 残差序列具有同方差性 差分自回归移动平均模型(Autoregressive Integrated Moving Average, ARIMA) …
时间序列统计性时域分析
统计性时域分析 统计性时域分析主要是横向挖掘时序的内生相关关系，其中，描述时序内生相关关系的两个重要统计指标是： 自协方差函数：就是协方差，只不过 $X_{1}$ 和 $X_{2}$ 对应的是时间序列 $X_{t_{1}}$ 和 $X_{t_{2}}$。 之所以前面有个“自”，是因为时间序列 $X_{t_{1}}$ …
时间序列平滑及预测
时间序列平滑简介 数据平滑通常是为了消除一些极端值或测试误差. 即使有些极端值本身是真实的, 但是并没有反映出潜在的数据模式, 仍需处理 数据平滑方法 差分运算 移动平均 简单移动平均 加权移动平均 指数加权移动平均/ …
Prophet
论文简介 论文：Forecast at Scale 代码：https://github.com/facebook/prophet 文档：https://facebook.github.io/prophet/ 历史研究和瓶颈 ARMA 模型在时间序列的趋势和季节上没有很好的处理， ETA(指数平滑，Exponential …
时间序列平稳时序模型
平稳时间序列分析介绍 一个时间序列经过预处理被识别为 平稳非白噪声时间序列，就说明该序列是一个蕴含相关信息的平稳序列。 在统计上，通常是建立一个线性模型来拟合该序列的发展，借此提取该序列中的有用信息。 假设一个时间序列经过预处理被识别为 平稳非白噪声时间序列，就可以利用 ARMA 模型对该序列建模。 ARMA(Auto …