时间序列预测 — 指数平滑、因素分解、机器学习、深度学习、数据增强

@创建于：2020.11.09
@修改于：2022.05.18

1、经典方法

1.1 指数平滑

• 指数平滑方法(一次指数平滑、二次指数平滑、三次指数平滑)：理论、代码、参数 介绍（全）
• 指数平滑方法简介

1.2 因素分解

1.2.1 朴素方法

• 时间序列预测的7种方法
• 数据分析（工具篇）——时间序列预测的7种方法（附Python代码）：翻译来源

1.2.2 ARIMA

• Python中的ARIMA模型、SARIMA模型和SARIMAX模型对时间序列预测
• 用python做时间序列预测九：ARIMA模型简介
• 用python做时间序列预测十：时间序列实践-航司乘客数预测
• arima模型 p q d 确定_时间序列中p,d,q的确定
• ARIMA模型原理及实现
• 机器学习（五）——时间序列ARIMA模型
• ARIMA参数自动获取
• pmdarima官网，实现ARIMA参数自动获取
• 时间序列预测之–ARIMA模型，Python时间序列数据分析–以示例说明
• 进化版AutoArima

1.2.3 Prophet

• Facebook 时间序列预测算法 Prophet 的研究
• 官网介绍
• facebook prophet的探索（python语言）
• LSTM与Prophet时间序列预测实验，对应github 。【有参考价值】

2、机器学习

• 时间序列特征工程

• 时间序列常用算法总结：传统方法+机器学习

3、深度学习

3.1 RNN/LSTM/GRU

• 6 种用 LSTM 做时间序列预测的模型结构 - Keras 实现

• CSDN：原理+论文+实战：60篇由浅入深的时间序列预测/分类教程汇总

• CSDN：时间序列预测11：用电量预测 01 数据分析与建模

• CSDN：时间序列预测12：用电量预测 02 朴素模型多步预测建模

• CSDN：时间序列预测16：Encoder-Decoder LSTM 实现用电量/发电量预测 、==【开发和设计实现LSTM模型用于家庭用电的多步时间序列预测】==、Kaggle：Household Electric Power Consumption

• CSDN：时间序列预测----(基于多变量深度模型)

• 【RNN从入门到实战】GRU入门到实战——使用GRU预测股票，这个博主有干货。

3.2 Attention (Transformer)

• CSDN：时间序列预测方法之 Transformer
• CSDN：transformer理论、pytorch/tensorflow实现、时序预测/文本分类案例
• 肺压力预测：TensorFlow Transformer【2022.03.26增加】

3.3 DeepAR

• CSDN：时间序列预测方法之 DeepAR
  • 预知未来——Gluon 时间序列工具包（GluonTS），含代码！
  • DeepAR 预测算法
  • DeepAR 超参数
  • 多重时序高阶算法-DeepAR（供水管网压力预测Baseline）

3.4 WaveNet

• CSDN：时间序列预测方法之 DeepState

• CSDN：时间序列预测方法之 WaveNet
  【以上三篇在下面的个人主页也有记录，作者是同一人】

• WaveNet相关原理及细节介绍

model = keras.models.Sequential()
model.add(keras.layers.InputLayer(input_shape=[60, 1]))
for rate in (1, 2, 4, 8) * 2:
    model.add(keras.layers.Conv1D(filters=20, kernel_size=2, padding="causal",
                                  activation="relu", dilation_rate=rate))
model.add(keras.layers.Conv1D(filters=10, kernel_size=1))
model.add(Flatten())
model.add(Dense(1, activation='sigmoid'))
model.compile(loss="mse", optimizer="adam")
model.summary()

3.5 Informer时序

• Informer：超越Transformer的长序列预测模型
• 长时间序列杀手–Informer
• GitHub informer2020

3.6 Autoformer时序

• Autoformer-时序模型的突破
• 超算跑模型 | Autoformer 长时序预测

from hfai.datasets import LTSF

dataset = LTSF(data_name='ETTh1', split='train', seq_len=96, label_len=48, pred_len=24, features='S', target='OT', timeenc=0, freq='h')
loader = dataset.loader(batch_size=64, num_workers=4)

from hfai.models import Autoformer
import hfreduce.torch as hfr

model = Autoformer(enc_in=1, dec_in=1, c_out=1, seq_len=96, label_len=48, out_len=24, e_layers=2, d_layers=1, dropout=0.05, embed='timeF').cuda()
loss = Loss(model)
optimizer = Optimizer(model)

reducer = hfr.AsyncReduceFloat(registry_host, port, proc_rank, procs_per_node, node_rank, node_cnt, model)

# each epoch
for x, y, x_mark, y_mark in loader:
    reducer.zero_grad() 
    
    model(x, y, x_mark, y_mark)
    loss.backward()
    
    reducer.synchronize()

• Autoformer:基于深度分解架构和自相关机制的长期序列预测模型

3.7 AdaNet

• 谷歌开源的 AdaNet，我还没有研究。在这篇博客CSDN：时间序列预测_智能监控中的时间序列预测中提及到。

3.8 TBATS

• pypi官网 tbats 1.1.0
• 使用Python中的TBATS预测具有多个季节的时间序列
• 时间序列预测模型TBATS

4 、时序框架与工具

4.1 TFT

• TFT时序框架理解
• TFT：一种可以解释时间序列预测结果的深度学习模型
• GitHub google-research/tft/
  

4.2 工具

sktime
tslearn：开源的时间序列机器学习python工具包
tsfresh：开源的时间序列特征提取python工具包
shapelet
pyts：开源的时间序列分类Python工具包。提供预处理工具及若干种时间序列分类算法
Gluon 时间序列工具包（GluonTS）

5、时序数据增强

数据增强——时间序列

6、综合性资料

北大：金融时间序列分析讲义
使用R实现。

• 时间序列预测方法汇总【推荐阅读。2022.03.26增加】
• 知乎：时间序列预测方法总结
• 一本以后价值的书籍：预测： 方法与实践，该书籍作者信息：Rob J Hyndman 和 George Athanasopoulos 澳大利亚莫纳什大学