In this paper we study different approaches for time series modeling. The
forecasting approaches using linear models, ARIMA alpgorithm, XGBoost machine
learning algorithm are described. Results of different model
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。
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。