时间序列预测：I概述

​

image.png

模型

本文主要介绍一个学习路线，后续详细介绍各部分内容。常用的模型，以下基本可以涵盖主流思想：

• 传统时序模型：ARIMA，Prophet，EMD
• 构造时序特征的统计学习方法：LR，GBDT(xgboost\lightgbm)
• 深度学习方法：seq2seq，wavenet，transormer

企业研究

来自工业届的研究经验与创新模型，值得一看的文章和模型：

• Uber：Time-series Extreme Event Forecasting with Neural Networks at Uber
• Uber：How Uber Manages Uncertainty in Time-Series Prediction Models
• Google：Temporal Fusion Transformers for Multi-horizon Time Series Forecasting
• Google：Using AutoML for Time Series Forecasting
• Amazon：DeepAR
• Amazon：DeepGLO
• Facebook：Peophet
• Facebook：AR-Net research that combines autoregressive models and neural networks

Python库

发挥python的优势，多用已经造好的轮子。tsfresh可以自动构造时序特征，sktime是类似sklearn写法的预测库，pytorch和tensorflow实现了常见的深度学习模型。前面提到的模型ARIMA和prophet也有可调用的stats，pyprophet。

• tsfresh：https://github.com/blue-yonder/tsfresh
• sktime：https://github.com/alan-turing-institute/sktime
• pytorch prediction：https://github.com/jdb78/pytorch-forecasting
• tensorflow pediction：https://github.com/LongxingTan/Time-series-prediction

kaggle比赛

一些经典的kaggle比赛，Top方案中既有构造时序特征的gbdt方法，也有深度学习方法。优秀的方案里既有对模型的深刻认识，更是对数据和任务的精细解读。

• Corporación Favorita Grocery Sales Forecasting
• Web Traffic Time Series Forecasting
• Recruit Restaurant Visitor Forecasting
• M5 Forecasting - Accuracy

联系方式

YueTan，欢迎关注