机器学习与统计方法在时间序列预测中的比较:大小有关
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