?

模型

本文主要介紹一個學習路線，后續詳細介紹各部分內容。常用的模型，以下基本可以涵蓋主流思想：

• 傳統時序模型：ARIMA，Prophet，EMD
• 構造時序特征的統計學習方法：LR，GBDT(xgboost\lightgbm)
• 深度學習方法：seq2seq，wavenet，transormer

企業研究

來自工業屆的研究經驗與創新模型，值得一看的文章和模型：

• Uber：Time-series Extreme Event Forecasting with Neural Networks at Uber
• Uber：How Uber Manages Uncertainty in Time-Series Prediction Models
• Google：Temporal Fusion Transformers for Multi-horizon Time Series Forecasting
• Google：Using AutoML for Time Series Forecasting
• Amazon：DeepAR
• Amazon：DeepGLO
• Facebook：Peophet
• Facebook：AR-Net research that combines autoregressive models and neural networks

Python庫

發揮python的優勢，多用已經造好的輪子。tsfresh可以自動構造時序特征，sktime是類似sklearn寫法的預測庫，pytorch和tensorflow實現了常見的深度學習模型。前面提到的模型ARIMA和prophet也有可調用的stats，pyprophet。

• tsfresh：https://github.com/blue-yonder/tsfresh
• sktime：https://github.com/alan-turing-institute/sktime
• pytorch prediction：https://github.com/jdb78/pytorch-forecasting
• tensorflow pediction：https://github.com/LongxingTan/Time-series-prediction

kaggle比賽

一些經典的kaggle比賽，Top方案中既有構造時序特征的gbdt方法，也有深度學習方法。優秀的方案里既有對模型的深刻認識，更是對數據和任務的精細解讀。

• Corporación Favorita Grocery Sales Forecasting
• Web Traffic Time Series Forecasting
• Recruit Restaurant Visitor Forecasting
• M5 Forecasting - Accuracy

聯系方式

公眾號YueTan，歡迎關注

總結

以上是生活随笔為你收集整理的时间序列预测：I概述的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。