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

预测方法可归为 “机器学习” 或 “统计” 两类已成为预测文献和社区的共识，但我们认为这种区分不是来自于方法本质的差异，而是一种限制对不同预测方法适用性和效果洞察的部落性质，我们提供了预测方法的其他特点，讨论了机器学习和统计学社区间跨界合作的潜在优势。

Dec, 2022

本文研究时间序列建模的不同方法，描述使用线性模型、ARIMA 算法、XGBoost 机器学习算法的预测方法，并展示不同模型组合的结果，同时考虑使用 copulas 和贝叶斯推断的概率建模方法。

Feb, 2017

本研究是一篇对深度学习预测方法的综述性文章，包括了预测方法在时间序列预测、工业预测及建立模型等方面的应用，以及该方法的优点和研究方向。

Apr, 2020

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

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

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

深度学习在时间序列预测方面取得了显著优势，然而在大流行预测领域仍存在挑战，如训练数据不足和模型的可解释性。此文献综述了几种先进的建模技术，并提供了进一步研究的建议。

Jan, 2024

该研究通过应用机器学习算法，分析了各种算法在使用达卡市一个气象站 20 年数据预测降水和温度变化模式方面的贡献和性能指标。研究结果突出了显著成就，并提供了有价值的洞察和特征相关性。

Feb, 2024

通过评估不同的历史数据量和预测未来时间范围，以预测系统故障的性能表现，研究发现预测窗口的大小对性能起关键作用，并突显深度学习在分类具有不同时间依赖模式的数据方面的有效性，以及机器学习在分类相似和重复模式的数据方面的有效性。

Feb, 2024