47、时间序列预测：从基础到高级方法

时间序列预测：从基础到高级方法

1. 时间序列预测概述

在实际应用中，我们常常会遇到各种时间序列数据，比如网站每小时的活跃用户数、城市的每日温度，或者公司按季度通过多个指标衡量的财务健康状况等。这些数据在每个时间步都包含一个或多个值，形成了时间序列。如果每个时间步只有一个值，那就是单变量时间序列；若每个时间步有多个值，像公司的收入、债务等，就是多变量时间序列。

时间序列预测的常见任务有两种：
- 预测未来值 ：也就是根据已知的时间序列数据，推测未来某个时间点或时间段的值，这被称为预测（forecasting）。
- 填补缺失值 ：对过去缺失的数据进行估计，也叫插补（imputation）。

为了方便后续的分析和建模，我们可以使用以下函数生成时间序列数据：

import numpy as np

def generate_time_series(batch_size, n_steps): 
    freq1, freq2, offsets1, offsets2 = np.random.rand(4, batch_size, 1) 
    time = np.linspace(0, 1, n_steps) 
    series = 0.5 * np.sin((time - offsets1) * (freq1 * 10 + 10))  # wave 1 
    series += 0.2 * np.sin((time - offsets2) * (freq2 * 20 + 20)) # + wave