挑战杯参赛总结-时间序列预测

参赛任务： 

目标：针对中国各个市区的不同年份二氧化碳排放量，预测未来年份的二氧化碳排放量。

不同与之前我学习过的波士顿房价预测机器学习-波士顿房价预测-CSDN博客

房价预测是通过学习与房价有关的很多特征，训练出一个模型来预测。而这次的任务是根据时序来预测。

数据集like this:

我们考虑了两种时间序列预测模型：
·LSTM： 是一种循环神经网络（RNN）的变体，具有记忆单元和门控机制。它使用记忆单元来捕捉长期的依赖关系，并通过门控机制选择性地遗忘或更新记忆。因为可以选择性忘记一些特征，过滤掉不需要的参数，这一点优化改进了循环神经网络（RNN）的缺点：因为记录所有时序输入，越近的输入对输出结果影响越大，离得远的被稀释，记得太多了可能反而就不准确了。

·ARIMA：是一种统计模型，用于描述时间序列数据中的自回归和移动平均成分。它包含三个部分：自回归（AR）部分、差分（I）部分和移动平均（MA）部分，用于建模数据的长期依赖、趋势和季节性。

我们最终选择了ARIMA，考虑到以下几点

1.co2的产生应该是有季节性的，且长期依赖性没有很大

2.我们的数据集收集的比较少。LSTM在训练时需要大量的数据，对于ARIMA，相对较少的历史数据样本也能提供可行的建模和预测结果，它不需要大量的样本数据来构建模型。

3.数据类型：

LSTM可用于处理各种类型的数据，包括单变量时间序列和多变量时间序列。

ARIMA针对单变量时间序列数据进行建模和预测，不能直接处理多变量数据。

我们的数据是单变量时间序列。

我们同时尝试了两种方法，ARIMA的预测拟合效果更好。