8、时间序列预测：机器学习与深度学习方法解析

时间序列预测：机器学习与深度学习方法解析

1. 传统预测方法的局限性与新方法的兴起

在时间序列预测中，对于数据呈异常分布的序列，传统预测方法可能会严重低估不确定性。为了应对这一问题，近年来出现了基于经验计算、自助法和模拟的方法，这些方法能考虑到预测期、数据分布以及未来不确定性等关键因素。

传统的统计方法虽然有显著优势，但也存在一些局限性。它们往往对数据生成过程做出较强假设，大多采用线性模型形式，且在估计参数方面学习能力有限。为了解决这些问题，预测者开始考虑应用非线性回归方法，也就是所谓的“机器学习”方法。这些方法在数据科学领域成功解决了复杂的模式识别和图像处理等问题，彻底改变了预测理论和实践。

2. 机器学习方法的特点与优势

2.1 代表性机器学习方法

时间序列预测中最具代表性且广泛使用的机器学习方法包括神经网络（NNs）和回归树（RTs），此外，K近邻回归（KNNR）和支持向量回归（SVR）等算法也受到了预测研究人员的关注。

2.2 机器学习方法的优势

• 假设少且具有自学习能力 ：机器学习方法对目标序列几乎不做假设，能自动识别和估计数据关系，更加通用。其“自学习”特性主要依靠非线性机制和经验优化算法，例如非线性激活函数（如神经网络中常用的Sigmoid、双曲正切和修正线性单元函数）、基于梯度的优化方法、分段回归技术、基于相似性的估计和基于核的变换等。
• 学习能力强 ：机器学习方法能够融合大量预测变量，利用大量参数进行预测，有效处理高维数据集，分析复杂的数据关系并将其投射到未来。相