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

比特币价格的预测引起了在金融市场和投资策略上的关注，本研究提出了一个关于混合机器学习算法在提高模型可解释性方面的比较研究。通过实证实验，我们发现线性回归模型在候选模型中表现最好。对于模型的解释性，我们对时间序列统计的预处理技术进行系统概述，包括分解、自相关函数、指数三重预测等，旨在挖掘金融时间序列中的潜在关系和复杂模式。我们相信这项工作将在时间序列分析及其实际应用领域引起更多关注，激发更多的研究。

Dec, 2023

本研究论文探讨时间序列预测领域，发现机器学习方法虽然在极小样本量时预测性能较简单统计方法差，但随着样本量的增长，机器学习方法逐渐优化预测性能。

Sep, 2019

本文研究了时间序列建模和预测，分别介绍了随机、神经网络和 SVM 基于模型的预测。实验结果表明不同模型的预测表现，以及采用不同评价指标评价不同模型。

Feb, 2013

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

本文采用贝叶斯回归法建模时间序列，并堆叠不同的预测模型，使其能够估计时间序列预测不确定性和风险特征，同时探讨使用贝叶斯回归的层次化模型来应对历史数据短、数据变化不明显的销售预测问题。结合 ARIMA, 神经网络，随机森林和 Extra Tree 模型进行预测，利用二层的贝叶斯回归法通过估计回归系数的分布进行信息融合，以最终预测的风险做决策支持。

Jan, 2022

本研究比较了双向 LSTM 和单向 LSTM 在时间序列预测中的性能，结果表明双向 LSTM 的附加训练可提高预测准确性，相较于 ARIMA 甚至单向 LSTM，双向 LSTM 的预测效果更佳，但是收敛速度较慢。

Nov, 2019

本文针对使用 ARMA 模型预测时间序列的问题，使用遗憾最小化的技术，开发了有效的在线学习算法，并且在不假设噪声项服从高斯分布、独立同分布等条件下进行预测，进一步展示了我们算法的性能在渐近上趋向于最佳 ARMA 模型的表现。

Feb, 2013

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