时间序列预测/Ref

关于时间序列预测的一些总结 - 知乎 (zhihu.com)

• 特征工程使用滑动窗口，最小值，最大值，均值，方差

• 概念漂移

  • 目标标量的统计特征随着时间的推移以不可预见的方式变化，每过一段时间序列的规律会变化。

  • 不能用全部时间内的数据去训练

• 序列自相关性

  • 如果预测结果和实际值存在滞后性，可能序列存在自相关性，可以通过差分运算消除自相关性

  • 计算一个基准值，用基准值做为预测结果计算平均绝对误差或 r2 系数

• [[时间序列分解]]

  • 针对明显周期和非平稳时序数据，可以利用经验模式分解(empirical mode decomposition,EMD)和长短期记忆(long short-term memory, LSTM)的组合算法应用于预测

时间序列和回归分析有什么本质区别？ - 知乎 (zhihu.com)

• 时间序列分析的目标是：了解过去，预测未来

• 时间序列数据的特征是

  • 自相关性

  • 不可交换性(样本顺序不能交换)

• 时间序列利用数据之间的相关性进行预测，回归分析假设每个数据点都是独立的。

有什么好的模型可以做高精度的时间序列预测呢？ - 知乎 (zhihu.com)

• 预测打车订单和预测风速的区别

  • 形成机制

    • 前者人的行为驱动，后者由自然因素驱动

    • 人为因素驱动内在机理比较清楚

    • 自然因素驱动内在机理难以刻画

  • 预测人群行为相对来说更加简单

    • 个人行为有明显的规律性(早晚)

    • 个人行为有明显的周期性(每周)

    • 不同人的行为近似独立(你打车和我打车没有关系)

    • 打车订单可以看成大量的独立随机变量之和，波动性不大，呈现出明显的周期性

  • 风速预测难点

    • 时间粒度细

    • 影响风速的因素多，且难以量化

    • 风的周期通常以年为单位，对短期风速预测帮助不大

    • 风通常分为大风年和小风年，没有趋势项。搞清楚了大小风年有利于评估全年风力资源，但对短期风速预测帮助不大。

• [[ARIMA]] 描述平稳的时间序列自相关性的典型方法

  • 当残差通过白噪声检验，表示建立一个合理的模型。

  • 如果需要给出置信区间，需要对残差的平方进行白噪声检验。

  • 如果存在异方差，需要通过 [[GARCH]] 进一步提取残差信息

• [[时间序列分解]]

  • STH 分解

    • [[Prophet]]

    • 时间序列分解为周期项 + 趋势项 + 节假日项

    • 趋势项通过线性函数、对数函数和指数函数拟合

    • 周期项通过傅里叶分解、周期核函数拟合

  • 信号分解

    • 将时间序列分解为高频和低频信号，对分离后的信号用模型拟合

    • 分解方法

      • 傅里叶分解

      • 小波分解

      • 经验模态分解 EMD

      • 变分模态分解 VMD

  • LN 分解

    • 将时间序列数据分解成线性项L和非线性项N，再拟合。