时间序列预测方法总结

这本来是我回答的一个问题：有什么好的模型可以做高精度的时间序列预测呢？ - BINGO Hong的回答 - 知乎 https://www.zhihu.com/question/21229371/answer/533770345

但觉得在那个答案下一直更新好麻烦，干脆就移到自己主页文章好了。

以后会在这里更新，原答案不更新了。

---

1. 时间序列基本规则法-周期因子法

• 提取时间序列的周期性特征进行预测，参考：时间序列规则法快速入门
  • 计算周期因子factors
  • 计算base
  • 预测=base*factors
• 观察序列，当序列存在周期性时，可以用周期因子法做为baseline
  • 在天池竞赛-资金流入流出预测-挑战Baseline-天池大赛-阿里云天池，周期因子可以取得110分+的成绩，排名进500妥妥的。(后面有机会再贴代码)

2.传统时序建模方法，ARMA/ARIMA等线性模型。参考：

• 写给你的金融时间序列分析：基础篇
• 自回归/滑动平均阶数判断 Identifying the orders of AR and MA terms in an ARIMA model列举了11条一般原则，其中提到：
• 差分方法可消除正相关但同时引入负相关
• AR项可消除正相关，MA项消除负相关
• AR项和MA项作用会相互抵消，通常包含两种要素时可尝试减少某项，避免过拟合
• 季节性分析
• 数据中有季节性因素，与整体趋势相比显得比较弱。原文: Investigating Seasonality in a Time Series: A Mystery in Three Parts ；中文：干货 | 季节性的分析才不简单，小心不要在随机数据中也分析出季节性

3. 特征工程着手，时间滑窗改变数据的组织方式，使用xgboost/LSTM模型/时间卷积网络等。参考：

• kaggle商品销量预测1st的思路：特征工程+LGBM/LSTM， 1st place solution | Kaggle
• kaggle商品销量预测5th的思路：特征工程+LGBM/CNN-DNN/seq2seq，5th Place Solution | Kaggle

4. 转化为监督学习数据集，使用xgboot/LSTM模型/时间卷积网络/seq2seq(attention_based_model)。参考：

• 如何用Python将时间序列转换为监督学习问题 - 云+社区 - 腾讯云
• Keras中带LSTM的多变量时间序列预测 - 云+社区 - 腾讯云
• 时间卷积网络(TCN) 总结：时序模型不再是递归网络(RNN) 的天下，但作为信息粗暴提取的一种方法，请不要神话CNN !
• 算法上可以引入注意力机制的seq2seq模型，见过纯粹的seq2seq解法，结合注意力机制的还没见过开源代码(可能是搜索不够仔细)。
• seq2seq代码：Kaggle-Competition-Favorita/seq2seq
• 注意力机制资料：
• 台大-李宏毅《Attention_based_model》
• 他们只说注意力机制（Attention Mechanism）不练，还是我来给大家撸代码讲解
• 盛源车：真正的完全图解Seq2Seq Attention模型
• 《Attention is All You Need》浅读（简介+代码）
• 川陀学者：Attention机制详解（二）——Self-Attention与Transformer
• The Illustrated Transformer
• Visualizing A Neural Machine Translation Model (Mechanics of Seq2seq Models With Attention)

5.Facebook-prophet，类似于STL分解思路，因为觉得在控制程度和可解释性上比传统时序模型更有优势，所以单独列车。参考：

• 官网说明(英文)
• 官网notbook(英文)
• 中文推荐 

  @张戎

   的文章，从原理到使用都有介绍，很良心。张戎：Facebook 时间序列预测算法 Prophet 的研究
• 个人理解，想进一步用好，可以好好看看论文和官网，有空撸遍python的源码
• 理解prior_scale在代码中如何实现控制趋势项、季节项和节假日项
• 对于趋势项参数changepoint_range、changepoint_prior_scale如何影响模型拟合和泛化程度
• 趋势项中的Uncertainty-Intervals(interval_width参数)如何在预测结果使用
• 论文中的"Simulated Historical Forecasts"对应prophet的Diagnostics工具，可以利用该工具做时间序列的交叉验证评价模型准确程度，如何利用该工具调整模型

6. 深度学习网络，结合CNN+RNN+Attention，作用各不相同互相配合。目前也只是看了论文，有代码的顺便给出代码链接，代码还没细看。

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

代码的坑填上。

• LSTNet代码解读， BINGO Hong：LSTNet详解
• TPA-LSTM注意力机制， BINGO Hong：TPA注意力机制(TPA-LSTM)

 

---

 

工具：

• 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

难点：

• 理解时间序列预测问题是要用历史数据预测未来数据
• 时间序列问题的训练集、测试集划分
• 特征工程方法及过程(方法2的过程很有趣)
• 如何转化为监督学习数据集
• LSTM计算过程理解，包括输入输出维度、参数数量等
• seq2seq过程的理解，decoder实现
• attention注意力机制的原理及实现，包括encoder-decoder attention, self attention, multi-head attention等
• 时间卷积网络的含义，顾名思义就是将CNN方法用于时间序列中，主要是dilated-convolution and causal-convolution
• prophet预测原理，各参数对模型拟合效果、泛化效果的影响
• TPA侧重选择关键变量
• 时间序列基本规则法中周期因子得计算过程

 

---

2018.11.26更新，添加第二点特征工程的kaggle第5名方案解题思路，补充acf和pacf阶数选取

2018.12.30更新，添加季节性分析问题

2019.1.20更新，添加prophet框架介绍及个人理解

2019.3.3更新，添加seq2seq模型及相应的注意力机制资料

2019.3.28更新，补充两个时间序列工具tslearn、tsfresh

2019.4.8更新，补充LSTNet、TPA-LSTM，代码坑后面填

2019.4.20更新，LSTNet、TPA-LSTM代码填坑

2019.6.2更新，时间序列规则法-周期因子法

另外还有：

1.  kalman filter 模型
2. mark，卡尔曼滤波

文章来源： https://zhuanlan.zhihu.com/p/67832773