本文研究实际 IP 网络流量的统计模型预测，使用滚动预测方法得到显著的预测性能改进。通过评估自回归移动平均模型、带时序因子的自回归移动平均模型、带外生因子的自回归移动平均模型、Holt-Winter 模型等方法，以及结合 SARIMAX 方法使用 SARIMA 模型等手段，分析其表现差异与影响因素，并得出 SARIMAX 方法下滚动预测均方误差为 6.83％的最佳预测结果。

May, 2022

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

使用机器学习、深度学习和统计分析技术来预测股票价格的准确模型一直是个具有挑战性的任务，本文将回顾多种深度学习算法，包括移动平均、ARIMA、LSTM、RNN、CNN 和全卷积神经网络模型，以及通过误差计算方法如均方根误差、平均绝对误差、均方误差等来评估其准确性，结果表明，较低的平均绝对误差（MAE）值可以更准确地预测股价。

Feb, 2024

本研究比较了传统方法和新兴神经网络方法的时间序列预测性能，使用了各种度量标准来评估它们的性能，结果表明 Deep AR 比所有其他深度学习和传统方法表现得都好，且其预测能力不会因训练数据量减少而降低。这表明，将深度学习方法纳入预测场景中显著优于传统方法，并可处理复杂的数据集，在天气预报和其他时间序列应用等各种领域具有潜在应用。

Jun, 2023

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

这项研究探讨了使用高级深度学习模型（如 LSTM 和基于 transformer 的架构）从 MIT-BIH 数据库预测心率时间序列的方法，结果表明，深度学习模型（尤其是 PatchTST）在多个指标上显著优于传统模型，更有效地捕捉复杂的模式和依赖关系，强调了深度学习在改善患者监测和心血管疾病管理方面的潜力，并提出了实质性的临床益处，未来的工作应该将这些发现扩展到更大、更多样化的数据集和真实世界的临床应用中以进一步验证和优化模型性能。

Jun, 2024

本文针对移动情况下 VoIP 流量的关键 QoS/QoE 描述符进行预测分析，运用多元时间序列分析、自回归模型和基于机器学习的方法，探索序列之间的时序关系和未来行为。通过真实 LTE-Advanced 环境下的试验数据验证该模型的实际效果。

Jul, 2023

金融市场中股票价格预测仍然是一个重大挑战，对投资者、交易员和金融机构都有重大影响，而 NVIDIA 作为 AI 革命中的重要角色，在各个领域推动创新，因此我们选择了 NVIDIA 作为我们研究的对象。

May, 2024

金融时间序列的准确预测对市场经济参与者和投资者至关重要。本文选择在线商店销售和澳大利亚啤酒销售作为非平稳、趋势和季节性金融时间序列的代表，并以非线性组合方式构建了一个新的 SGVMD-ARIMA 组合模型来预测金融时间序列。ARIMA 模型、LSTM 模型和其他经典分解预测模型作为对照模型，比较不同模型的准确性。实证结果表明，构建的组合预测模型相对于单一预测模型和线性组合预测模型具有普适优势。在预测区间内，我们提出的组合模型相对于传统分解预测对照模型具有改进优势。

Jun, 2024