Time Series Forecasting (三) : hierachical and grouped time series

最新推荐文章于 2024-01-04 16:20:06 发布
原创 最新推荐文章于 2024-01-04 16:20:06 发布 · 459 阅读 · 1 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文探讨了处理具有层级关系的时间序列预测问题，如预测游客数量时涉及城市、省和国家等多个层次。传统的逐个维度建模无法保证预测的一致性。作者介绍了Rob J Hyndman书中关于此主题的内容，强调了保证预测结果在聚合结构中一致性的挑战，以及高层级和低层级序列的特点。并提及了不同的处理方法。

这一篇的主题主要是如何处理一组有层级关系的序列预测。例如我们进行未来30天的游客数量预测，需要涉及多个颗粒度：城市，省和国家。当然我们可以对每个维度单独建模进行预测，但是很明显这多个序列是有层级关系的：城市维度的预测应该可以聚合到省份而进一步向上聚合到国家。各序列单独预测并不能保证这种一致性。那么就涉及到对这一方向的进一步研究。

笔者偶然发现Rob J Hyndman的书(见上图)中是有这样一章的Chapter 10 Forecasting hierarchical or grouped time series，结构比较清晰，在这里简单整理一下。

Challenge: we require forecasts to add up in a manner

最低0.47元/天 解锁文章
Time Series Forecasting原理与代码实例讲解
AI架构师小马
09-21 1154
Time Series Forecasting原理与代码实例讲解 作者：禅与计算机程序设计艺术 / Zen and the Art of Computer Programming 1. 背景介绍 1.1 问题的由来
[论文分享]Robust multivariate time-series forecasting: adversarial attacks and defense mechanisms
m0_37412775的博客
07-27 644
本文研究了对多元概率预测模型进行对抗攻击的危害以及可行的防御机制。我们的研究发现了一种新的攻击模式，通过对少量其他时间序列的过去观测进行战略性的、稀疏的（难以察觉的）修改，对目标时间序列的预测产生负面影响。
Multi-task Learning Method for Hierarchical Time Series Forecasting
m0_37859875的博客
07-19 1074
Multi-task Learning Method for Hierarchical Time Series Forecastingmotivation
Time Series Forecasting
jiabiao1602的专栏
12-23 1598
http://www.rdatamining.com/examples/time-series-forecasting Time Series Forecasting -- Currency Exchange Rate Forecasting with ARIMA and STL This example shows time seri
Time series forecasting
ustc_imcl_fj的博客
09-15 772
AR
时间序列-预测：概述【Time Series Forecasting (TSF) 】【时间序列既可以做回归任务，也可以做分类任务】【预测是回归问题，不是分类问题】
u013250861的博客
07-20 1663
由于数据收集、传输和存储的限制，现实世界的MTS数据通常包含缺失值，使得应用现有的MTS预测模型（如线性回归和循环神经网络）变得不可行。在真实世界数据集上的实验结果表明LGnet对缺失值的MTS预测的有效性及其在各种缺失率下的鲁棒性。因此这篇论文通过联合探索局部和全局时间动态来研究具有缺失值的MTS预测的新问题。文中提出了一个新的框架LGnet，它从局部视角的估计中利用记忆网络来探索全局模式。因此，联合建模局部和全局时间动态对于具有缺失值的MTS预测非常有用。..................
精选资源
multivariate-timeseries-forecasting:一组用于多元时间序列预测的算法
04-28
本文将详细探讨"multivariate-timeseries-forecasting"项目，这是一个专门针对此类问题的算法集合，主要关注长短期记忆网络（LSTM）和门控循环单元（GRU）的应用。 LSTM和GRU是递归神经网络（RNN）的变体，特别适合...
精选资源
Deep Learning for Time Series Forecasting - by Jason Brownlee
06-26
Deep Learning for Time Series Forecasting Predict the Future with MLPs, CNNs and LSTMs in Python Jason Brownlee 5 25 step-by-step lessons, 575 pages. 深度学习方法为时间系列预测提供了许多希望，例如...
Time series analysis: forecasting and control
05-17
在给出的文件中提到的《时间序列分析：预测与控制》（Time Series Analysis: Forecasting and Control）是第四版，作者为乔治·E·P·博克斯（George E.P. Box）、Gwilym M. Jenkins和格雷戈里·C·伦塞尔（Gregory ...
ICML 2023 时间序列预测和时空预测论文总结
suzukiwudi的博客
11-26 3219
本文总结了ICML 2023 有关时间序列预测（Time Series Forecasting，TSF）和时空预测（spatial-temporal forecasting，STF）的文章，包含时序预测，可解释性，扩散模型，不确定性量化等工作。 **相关链接中，我也总结了机器学习三大会以及数据挖掘顶会中时序和时空相关的文章，感兴趣的读者也可以参考学习。 如果对您有用，还请您点赞，收藏和转发。感谢您的支持。
时间序列预测：Forecasting the Time Series of Apple Inc.'s Stock
08-05
时间序列预测：Forecasting the Time Series of Apple Inc.'s Stock
Deep Time Series Forecasting with Python.pdf
03-11
Deep Time Series Forecasting with Python. 使用深度学习技术进行时间序列回归预测
Deep Time Series Forecasting with Python,pdf
08-09
Deep Time Series Forecasting with Python: An Intuitive Introduction to Deep Learning for Applied Time Series Modeling
caai2019.pdf
04-28
清华大学联合工程院发布的AI2019进展报告，从多个方面阐述AI近年来的研究趋势，对于把握大方向有一定的参考意义
在电力智能测量数据应用中的分层时间序列预测正则化（Regularization in Hierarchical Time Series Forecasting with Application to）
William Zhao's notes
05-25 908
论文链接 原文链接 Proceedings of the Thirty-First AAAI Conference on Artificial Intelligence (AAAI-17) 文中所有的公式都没有弄过来，太麻烦了，都用（）代替了，需要对照原文看。 Regularization in Hierarchical Time Series Forecasting with Appli
时间序列 R 10 其他进阶预测方法 Advanced forecasting methods
bea_tree的博客
05-02 6849
1 Dynamic regression models 动态回归模型 前面的内容中要么只考虑了时间，要么只考虑了其他自变量的影响，这一节将考虑各个变量和时间的综合影响。 1.1 regression models+ ARIMA models 首先我们简单的将回归和Arima组合，做一个简单的动态回归模型。 其组合的方法和实质就是将回归模型中的误差项变为时间序列的ARIMA，也可以理解为下式
论文笔记：Do We Really Need Deep Learning Models for Time Series Forecasting?
szzheng的博客
09-06 1798
传统的时间序列预测模型往往依赖于滚动平均、向量自回归和自回归综合移动平均；较新的模型包括深度学习和矩阵分解模型，获得了更具竞争力的性能，但是该类模型往往过于复杂。 近几年，基于复杂深度学习的模型，例如“DeepGlo”或“LSTNet”被提出，性能上优于传统方法（例如ARIMA）和简单的机器学习模型（例如GBRT）。但是对于时序预测而言，如果对输入输入结构进行精心的设计和特征工程，即便是如GBRT这样的简单的集成模型，性能上也能超越很多DNN模型。
Time-series forecasting with deep learning: a survey
qq_59482564的博客
01-04 1425
人们开发了许多深度学习架构来适应不同领域的时间序列数据集的多样性。在本文中，我们调查了一步前进和多水平时间序列预测中使用的常见编码器和解码器设计，描述了如何将时间信息纳入每个模型的预测中。接下来，我们重点介绍混合深度学习模型的最新发展，该模型将经过充分研究的统计模型与神经网络组件相结合，以改进任一类别的纯方法。最后，我们概述了深度学习也可以通过时间序列数据促进决策支持的一些方法。本文是主题“天气和气候建模的机器学习”的一部分。
 Recurrent Neural Networks for Time Series Forecasting: Current Status and Future Directions
最新发布
11-30
### 当前现状 循环神经网络（RNN）在时间序列预测领域已有广泛应用。RNN能够处理顺序数据，通过将输入序列视为固定大小的块，并生成输出序列，其中每个元素依赖于序列中的先前元素，适合处理具有时间依赖关系的时间序列数据，其输入通常是代表不同特征观测值的一个或多个向量，输出也是值的序列，常用于分类或回归任务[^1]。 在实际应用中，将时间序列数据馈入神经网络的常见方法是把整个序列分解为连续的输入窗口，然后用网络预测窗口或紧随输入窗口之后的单个数据点，这体现了RNN在时间序列预测中的一种具体应用方式[^2]。 不过，传统RNN存在梯度消失或梯度爆炸等问题，限制了其对长序列的处理能力。为了克服这些问题，出现了如长短时记忆网络（LSTM）和门控循环单元（GRU）等改进的RNN变体，它们在时间序列预测中取得了更好的效果。 ### 未来方向 未来，RNN在时间序列预测方面可能会朝着以下几个方向发展： - **模型优化**：不断改进现有模型结构，进一步解决长序列依赖问题，提高模型的泛化能力和预测精度。例如，探索新的门控机制或注意力机制，以更好地捕捉时间序列中的复杂模式。 - **多模态融合**：结合其他类型的数据，如文本、图像等，进行多模态时间序列预测。这样可以综合更多的信息，提高预测的准确性和可靠性。 - **与其他技术结合**：与强化学习、迁移学习等技术相结合，拓展RNN在时间序列预测中的应用场景。例如，使用强化学习优化模型的训练过程，或利用迁移学习将在一个领域学到的知识应用到其他相关领域的时间序列预测中。 - **可解释性研究**：提高RNN模型的可解释性，使人们能够更好地理解模型的决策过程。这对于一些对解释性要求较高的领域，如金融、医疗等，尤为重要。 ```python # 简单的RNN示例代码（使用PyTorch） import torch import torch.nn as nn # 定义一个简单的RNN模型 class SimpleRNN(nn.Module): def __init__(self, input_size, hidden_size, output_size): super(SimpleRNN, self).__init__() self.rnn = nn.RNN(input_size, hidden_size, batch_first=True) self.fc = nn.Linear(hidden_size, output_size) def forward(self, x): out, _ = self.rnn(x) out = self.fc(out[:, -1, :]) return out # 示例参数 input_size = 10 hidden_size = 20 output_size = 1 model = SimpleRNN(input_size, hidden_size, output_size) ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值