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

你可能感兴趣的:(时间序列预测:I概述)