CNN做时间序列预测_时间序列预测方法总结

转载自

BINGO Hong：时间序列预测方法总结​zhuanlan.zhihu.com

看了时间序列规则法快速入门这篇简书的介绍

像支付数据、客流量数据、交通数据等，具有明显的周期性,针对时间序列预测问题,找到周期性是关键.

文章举的例子是连续四周的门店消费人数,例子中每周数据呈现周期性,取周均值作为base,算出每一天的影响因子=每一天人数/base.然后将前三周数据进行对比,取因子排序中位数作为预测的基准(这里取中位数是有一些好处的),设置一个future base ,则预测第四周每一天人数为基准*future base

主要设计思想：

• CNN捕捉短期局部依赖关系
• RNN捕捉长期宏观依赖关系
• Attention为重要时间段或变量加权
• AR捕捉数据尺度变化(没太搞懂啥意思~)

方法：

• LSTNet： 适用于自相关图表现出有明显周期的时间序列，否则与传统方法相当。LSTNet-Pytorch、LSTNet-Keras、LSTNet-Gluon(Mxnet)。
• TPA-LSTM： 改进了attention机制，侧重选择关键变量，而非选择时间步；实验效果说是对周期不明显的时间序列也能有不错效果。

TPA-LSTM-Tensorflow​github.com