时间序列预测综述

最新推荐文章于 2024-11-14 12:39:02 发布
最新推荐文章于 2024-11-14 12:39:02 发布
阅读量2.2k 收藏 4
点赞数 2
分类专栏： 时序预测
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。
本文链接：https://blog.youkuaiyun.com/weixin_42939835/article/details/106790541
版权
本文概述了非周期时间序列预测的方法，包括将问题转化为监督学习任务，利用xgboost、LSTM、时间卷积网络和seq2seq模型；探讨Facebook-prophet算法，类似STL分解的思想；并介绍结合CNN、RNN和Attention的深度学习网络，通过不同组件捕捉时间序列中的局部和全局依赖关系。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

文章目录

非周期时间序列预测

1. 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)

2. Facebook-p

最低0.47元/天 解锁文章
时间序列预测 — 时间序列预测研究综述
几度春风里的博客
11-10 1万+
指对某种事物发展变化过程进行观测并按照一定频率采集得出的一组随机变量。就是从众多数据中挖掘出其蕴含的核心规律并且依据已知的因素对未来的数据做出准确的估计。由于大量物联网数据采集设备的接入、多维数据的爆炸增长和对预测精度的要求愈发苛刻，经典的参数模型以及传统机器学习算法难以满足预测任务的高效率和高精度需求。近年来，以卷积神经网络、循环神经网络和 Transformer模型为代表的深度学习算法在时间序列预测任务中取得了丰硕的成果。
时间序列预测综述笔记
weixin_43194084的博客
01-08 1471
- Posted by ncepu_ch on 2021-01-08 Paper: [A Review of Deep Learning Models for Time Series Prediction] Published in: IEEE Sensors Journal Date of Publication: 20 June 2019 文章目录前言1. 判别方法 Discriminative Approach2. 生成方法 Generative Approach论文内容一、Discri
读论文——“时间序列预测方法综述”
#仙女不扎马尾#的博客
01-14 3931
文章目录1 什么是时间序列？2 时间预测方法的核心3 时间序列数据的特点4 相关的时间序列参数模型4.1 移动平均模型(Moving Average, MA)4.2 自回归模型(Autoregressive Models, AP)4.3 自回归移动平均模型5 传统的时间序列预测方法6 基于机器学习的时间序列预测方法6.1 基于支持向量机的时间序列预测方法6.2 基于贝叶斯网络的时间序列预测方法6.3 基于矩阵分解的时间序列预测方法(MF)6.4 基于高斯过程的时间序列预测方法 [1]杨海民,潘志松,白玮.
10篇深度学习时间序列预测综述汇总！含金融、医疗、气象等领域应用！
2401_82426425的博客
01-22 3165
研究人员总结了这些方法的关键研究成果，并讨论了它们各自存在的问题，还提供了对单一预测方法的评估，总结了相关工作的关键信息，并探讨了未来的改进方向和研究局限性。为了帮助大家深入理解深度学习时间序列预测，这里整理了10篇深度学习在时间序列预测领域的综述论文，这些综述不仅涵盖了深度学习在时间序列预测方面的最新进展，还深入探讨了其在金融、医疗、气象等领域的应用，一起看看吧！特别关注了基于Transformer的模型，并讨论了深度学习在时间序列预测中的问题和挑战，展望了未来的研究趋势。
时间序列数据挖掘综述
热门推荐
notail_woo的专栏
10-31 1万+
时间序列数据挖掘综述 一、引言 　　时间序列是指按时间顺序排列的一组数据，是一类重要的复杂数据对象。作为数据库中的一种数据形式，它广泛存在于各种大型的商业、医学、工程和社会科学等数据库中，如股票价格、各种汇率、销售数量、产品的生产能力、天气数据等。大量时间序列数据真实地记录了系统在各个时刻的所有重要信息，若能改进某种高效的数据处理方法，发现其中各时间序列之间的相互关系，必将大大提高人们
时间序列预测的全面综述：架构多样性与开放挑战
m0_65555479的博客
11-14 861
时间序列预测是一个至关重要的任务，它为经济规划、供应链管理和医学诊断等各个领域的决策提供了关键信息。过去，传统统计方法和机器学习曾被广泛应用于时间序列预测问题，然而，随着多种基础的深度学习架构如多层感知机（MLP）、卷积神经网络（CNN）、递归神经网络（RNN）和图神经网络（GNN）的发展，这些架构被逐步应用于时间序列预测问题的解决。然而，由于每种深度学习架构的归纳偏置所带来的结构性限制，它们的性能也受到了制约。
时序数据预测综述.docx
07-24
个人写的综述，课程作业需要
时间序列预测方法概述
m0_59257547的博客
07-22 3578
时间序列预测是数据分析的一个重要领域，涉及对未来事件的预测，基于过去的数据点。以下是几种常用的时间序列预测方法，包括其原理、优缺点。
时序分析法研究综述
04-27
描述性时序分析，统计性时序分析，频域分析，时域分析，时序数据挖掘，时间序列挖掘（平滑法预测、趋势预测、季节性预测、符合型时间序列预测…）
时序数据分析方法综述
09-05
时序数据分析方法综述，很好的资料！ 时序数据分析方法综述，很好的资料！
arima模型_时间序列预测模型——ARIMA综述
weixin_39731916的博客
11-27 301
参考资料 https://blog.youkuaiyun.com/qq_36810398/article/details/103381406。参考资料 https://stats.stackexchange.com/questions/19715/why-does-a-time-serieshave-to-be-stationary。有很多 API 可以直接返回最优的差分次数，例如 R 语言的 ndiffs(...
时间序列预测模型——ARIMA综述
南瓜派三蔬
12-19 1331
参考资料 https://blog.youkuaiyun.com/qq_36810398/article/details/103381406。 参考资料 https://stats.stackexchange.com/questions/19715/why-does-a-time-serieshave-to-be-stationary。 有很多 API 可以直接返回最优的差分次数，例如 R 语言的 ndiff...
基于深度学习的时间序列预测模型论文综述An Experimental Review on Deep Learning Architectures for Time Series Forecasting
weixin_43704656的博客
09-18 1931
论文题目：An Experimental Review on Deep Learning Architectures for Time Series Forecasting 介绍：这是一篇基于深度学习的用于时间序列预测模型综述型论文 论文：网盘链接：https://pan.baidu.com/s/1wjBoESLhJ3z3gzGwQ5vXZQ 提取码：746t 说明：本文只是记录论文阅读中的学习笔记，整理一下，这篇综述所涉及的预测模型有七种：MLP、ERNN、LSTM、GRU、......
时间序列分析综述
weixin_30240349的博客
06-24 1046
一.基本分类 1.单变量的传统时间序列分析 2.单变量的随机时间序列分析 3.多变量的时间序列分析 建立在回归基础上的两变量序列分析 建立在AR基础上的多变量序列分析 4.截面时序数据结合的分析 转载于:https://www.cnblogs.com/xyp666/p/9220667.html...
时间序列-预测（Forcasting）:时间序列预测算法总结
u013250861的博客
12-15 6360
绝大部分行业场景，尤其是互联网、量化行业，每天都会产生大量的数据。金融领域股票价格随时间的走势；电商行业每日的销售额；旅游行业随着节假日周期变化的机票酒店价格等；我们称这种不同时间收到的，描述一个或多种特征随着时间发生变化的数据，为时间序列数据（Time Series Data）。而时间序列预测做的就是通过多种维度的数据本身内在与时间的关联特性，利用历史的数据预测未来这么一件事情。
最新综述：详细分析14种可用于时间序列预测的损失函数
zenRRan的博客
02-13 1303
©作者 |Spectator单位 |核桃量化研究方向 |量化投资来自 | PaperWeekly论文标题：A Comprehensive Survey of Regression Based Loss Functions for Time Series Forecasting论文链接：https://arxiv.org/abs/2211.02989代码链接：https://github.co...
多模态时间序列预测综述
最新发布
12-30
### 多模态时间序列预测综述 #### 定义与背景 多模态时间序列预测涉及处理来自不同源的时间依赖数据，这些数据可以是图像、音频、文本或其他形式的数据。通过结合多种类型的输入，模型能够更全面地捕捉系统的动态...
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