时间序列建模和预测入门研究
本文介绍了时间序列分析和预测的重要性,详细调查了各种用于预测的方法,包括 ARIMA、Prophet 和 LSTMs 等统计和深度学习模型,完整阐述了预处理和验证的流程。
Nov, 2022
本文利用时间序列预测技术对匈牙利的水痘病例进行模拟预测,演示 LSTM 模型在县级预测方面的表现优于其他模型,SARIMAX 模型在国家级预测方面的表现最佳。同时,我们的数据预处理方法的表现也优于传统的数据预处理方法。
Sep, 2022
本文提供了一个包含不同领域,不同类型的 20 种公开的时间序列数据集的综合时间序列预测归档,并对数据集进行特征分析来鉴别相似之处和不同之处。此外,作者还提供了一组标准基准预测方法的性能分析,以便研究人员使用文献进行算法比较。
May, 2021
线性模型在时间序列预测方面表现出色,特征归一化改善了模型泛化能力;分析了可使用这些线性模型体系结构表示的函数集合;证明了几种流行的线性模型变体等效于标准的无约束线性回归;每个模型可以重新解释为在适当增强的特征集上的无约束线性回归,因此在使用均方损失函数时具有闭式解;实验证明所检验模型的学习解几乎相同,进一步证明简洁的闭式解在 72%的测试情景中是更好的预测模型。
Mar, 2024
本文提出了一种基于线性模型的高效时间序列预测模型,其核心组成部分包括:(1)将单通道和多通道数据的不同语义进行集成,对数据进行联合预测;(2)使用一种新的损失函数来替代传统的 MSE 和 MAE 损失以达到更高的预测精度。在广泛使用的基准时间序列数据集上,我们的模型不仅性能优于当前的 SOTA,而且速度提高了 10 倍,并且比最新的 SOTA 模型参数更少。
May, 2023
在经济学及其他预测领域中,现实世界问题过于复杂,难以用单一模型假设一种具体的数据生成过程。两种基于时间序列特征的方法:基于特征的模型选择和基于特征的模型组合,对于预测大量时间序列时,各种方法的预测性能随时间序列的性质发生变化。本章讨论了最先进的基于特征的方法,并参考开源软件实现。
Sep, 2023
本文综述了近年来 2020 至 2022 年关于利用深度学习模型基于金融时序数据预测价格的研究,包括不同数据源和神经网络结构的实现细节,旨在让研究人员了解该领域最新进展,方便选择先前研究中使用的模型基线,并提供未来研究建议。
Apr, 2023
本文提出了一种基于深度学习的时间序列预测方法,并在两个数据集上进行了评估。该方法包括数据准备、模型训练和评估等步骤,并进行可视化检查。实验结果表明,如果数据集中的时间序列重复出现固定模式,则可以使用单个时间序列来训练深度学习网络。然而,对于股票市场收盘价格等较少结构化的时间序列,网络表现与重复观察到的最后一个值的基准线类似。该方法的实现和实验是开源的。
Feb, 2023