- 综合排序
- 最热优先
- 最新优先
- 来自专栏圆圆的算法笔记
多元时序预测：独立预测 or 联合预测？
今天介绍一篇南大今年4月份发表的文章，主要探讨了多元时间序列预测问题中，独立预测（channel independent）和联合预测（channel dependent）二者效果的差异、背后的原因以及优化方法 Independent Strategy for Multivariate Time Series Forecasting 下载地址：https://arxiv.org/pdf/2304.05206v1.pdf 1、独立预测和联合预测 多元时间序列预测问题中，从多变量建模方法的维度有两种类型，一种是独立预测（channel independent，CI），指的是把多元序列当成多个单变量预测，每个变量分别建模；另一种是联合预测（channel 正则化：引入一个正则化损失，用序列减去最近的样本点作为历史序列输入模型进行预测，同时使用平滑约束预测结果，让预测结果和最近邻的观测值偏差不要太大，使得预估结果更平； 低秩分解：将全连接参数矩阵分解成两个低阶矩阵 4、实验效果 文中将上面提到的改进CD模型的方法在多个数据集上进行实验，相比CD取得比较稳定的效果提升，说明上述方法对于提升多元序列预测鲁棒性有比较明显的作用。
2.7K20编辑于 2023-08-17 - 来自专栏Python与算法之美
darts 时序预测入门
它主要支持以下任务:时间序列预测 (包含 ARIMA, LightGBM模型, TCN, N-BEATS, TFT, DLinear, TiDE等等) 时序异常检测 (包括 分位数检测 等等) 时间序列滤波 (包括 卡尔曼滤波，高斯过程滤波) 本文演示使用darts构建N-BEATS模型对 牛奶月销量数据进行预测~ 公众号算法美食屋后台回复关键词：源码，获取本文notebook源码和数据集~ ! label='train',ax=ax3) ts_test.plot(color='red',label='test',ax=ax3) ax3.set_title('after split'); # 4， output_chunk_length=3, generic_architecture=True, num_stacks=10, num_blocks=1, num_layers=4, ，使用预测的数据作为后面预测步骤的特征 # (注意：当预测步数 n 小于等于模型的output_chunk_length，无需滚动) ts_preds = model.predict(n = len(
78911编辑于 2024-06-14 - 来自专栏Python数据科学
安利 4 个时序预测算法：Prophet、Deep AR..
短处在于需要从业人员对时序相关的统计学有深入的理解，并且当存在非线性特征等复杂情况时，需要进行手工特殊处理，不利于规模化预测。 机器学习、深度学习算法 将时序预测问题作为回归问题处理，通过选择合适的特征和模型结构，基于训练集数据构建模型。 长处是不需要结合时序领域特有的统计学分析，算法可以从训练集中总结规律，并且使用模型不是时序领域独有的，对于数据科学的从业人员更友好。 这对从业者的能力提出了很高的要求，也是业内时间序列预测资深专家短缺的原因。 接下来推荐几篇经典论文供大家学习复现，以快速梳理时序预测算法的种类的原理。 上述 4 篇论文在深度之眼《时间序列预测项目班》中都有系统地讲解
4K10编辑于 2022-04-12 - 来自专栏时空探索之旅
AI论文速读 |【Mambda×时序预测】时光机TimeMachine：4 Mambas for LSTF
论文标题：TimeMachine: A Time Series is Worth 4 Mambas for Long-term Forecasting （这篇的标题应该是在模仿PatchTST的标题：A papers.cool/arxiv/2403.09898 代码：https://github.com/Atik-Ahamed/TimeMachine TL；DR：本文提出了一个名为TimeMachine的模型，通过4个 TimeMachine模型在长期时间序列预测（LTSF）任务中的性能。 不同预测长度：作者在不同的预测长度（T = {96, 192, 336, 720}）下测试了TimeMachine模型，并设置了不同的输入序列长度（L = 96），以评估模型在不同预测范围的表现。 这些实验结果表明TimeMachine在预测准确性、可扩展性和内存效率方面均取得了优越的性能，并且能够适应不同长度的时间序列数据和不同特性的多变量时间序列预测任务。
79510编辑于 2024-11-19 - 来自专栏量子发烧友
时序预测问题及其应用
与此同时，数据本身的价值属性、普遍性也给时序预测带来广泛的应用空间。下文将主要介绍时序预测的基本概念、解决时序预测问题的几种方式和模型、时序预测与前沿技术结合的创新思路及成果等。 1.时序预测 时间序列，也可被称为时间数列、历史复数或动态数列。时序预测（Time Series Prediction）全称为时间序列预测，实际上是对时间序列进行预测的一种方法简称。 简而言之，时序预测即是通过分析一段有限时间内某个量的变化情况，预测该变量未来一段时间或某一时刻的变化情况和预测值。关于时序问题的研究方向除时序预测外，还包括时序分类研究、时序异常检测研究等。 时序预测在物联网结果预测、销量预测、交通流量预测、价格预测、金融股票等多个方面都有应用。 如销量预测方面，时序预测可基于历史销量数据预测未来某一时间段的销量，为厂商的生产和备货计划提供决策支撑；如股票价格预测，需要对各种社会影响因素综合考量后纳入时序预测模型中，常见的方法有短期预测的指数平滑法
1.5K10编辑于 2023-03-08 - 来自专栏腾讯大数据的专栏
再谈数据挖掘——时序预测初探
这两幅图代表了大数据环境下趋势预测的典型场景，即事件预测和时序预测，本文重点关注第二幅图中的场景，即与时间维度相关的时间序列预测。 2. 为提高预测的精度，机器学习算法被引入时序预测，此类方法根据具体的应用场景，选取可能影响预测值的features，将这些features引入模型，应用机器学习的分类/回归模型来进行预测。 现实预测中，机器学习方法往往结合传统时序预测法来运用。 4. 展望 大数据时代的时序预测得到越来越多的关注，能够准确预测趋势是时序预测的基础应用，其他场景如异常检测等也应用了时序预测方法，我们期待时序预测能够有更多的应用场景，比如通过精准预测，发现可能出现的突发事件以提高应对措施 这里初步探索的ARIMA模型是通用场景下的时序预测，在具体应用场景下，预测可以做的更精确。
2.7K50发布于 2018-01-26 - 来自专栏AI研习社
时序分析与预测完全指南
在下面的例子中，p 的值是 4。 ? 部分自相关图示例 然后，我们添加移动平均模型 MA(q)。这需要一个参数 q，它代表自相关图上那些滞后不显著的最大滞后。 下图中，q 为 4。 ? 预计值和实际收盘价比较 我们的预测似乎有点偏离。事实上，预测价格很平稳，这意味着我们的模型可能表现不佳。 当然，这不是因为我们的程序，而是因为预测股票价格基本上是不可能的。 项目2-使用 Prophet 预测空气质量 标题说明了一切：我们将使用 Prophet 来帮助我们预测空气质量！ ? # Drop irrelevant columns cols_to_drop = ['PT08.S1(CO)', 'C6H6(GT)', 'PT08.S2(NMHC)', 'PT08.S4( 这里，yhat 代表预测值，yhat_lower 和 yhat_upper 分别代表预测值的下限和上限。 Prophet 让你可以轻松绘制预测图，我们得到： ?
2.6K21发布于 2019-08-20 - 来自专栏全栈程序员必看
Facebook时序预测工具Prophet实战分析
引言 去年Facebook开源了一套时序预测工具叫做Prophet。Prophet是一个预测时间序列数 据的模型。 它基于一个自加性模型，用来拟合年、周、季节以及假期等非线性趋势。 其实对于时序预测问题，计算问题可以通过并行执行解决，存储问题可以通过关系型数据库MySQL或数据仓库Hive解决。 Prophet解决的“规模”问题，其实本质上是在完成时序预测任务时面临的各种复杂情况，Prophet能够适用于多种业务场景下的预测。 Prophet的亮点 当你做了很多时序预测任务时，你就会发现，并不是所有的任务都能用一个预测流程来解决。“一招鲜，吃遍天”在数据科学里是行不通的。 用户提供的重要节日列表 Prophet其中最重要的思想就是曲线拟合，这与传统的时序预测算法有很大的不同。
2.8K20编辑于 2022-09-07 - 来自专栏机器学习实践二三事
使用Tensorflow进行时序预测(TFTS)
时序预测是一个经典的话题，应用面也很广; 结合LSTM来做也是一个效果比较好的方式. 这次准备使用TF来进行时序预测，计划写两篇: 1. 主要提供三种预测模型: AR、Anomaly Mixture AR、LSTM Examples 读入数据 你的数据可以是两种: 1. numpy array 2. from a CSV file 提供RandomWindowInputFn train_input_fn = tf.contrib.timeseries.RandomWindowInputFn(reader, batch_size=4, input_fn=tf.contrib.timeseries.predict_continuation_input_fn( evaluation, steps=250))) #预测之后的 红色是预测的那一段.
2.5K90发布于 2018-01-02 Chronos：语言模型架构适配时序预测
Chronos：适配语言模型架构用于时间序列预测将时间序列数据分词并像语言一样处理，使得模型的零样本性能能够匹配甚至超越专用模型。 Chronos令人印象深刻的零样本能力使其成为一种可行的“通用”预测解决方案，简化了部署流程。 从业者无需为每个特定应用训练单独的模型，而是可以直接使用现成的Chronos模型立即进行准确预测，从而降低计算成本并更容易采用先进的预测技术。 使用预训练模型进行时间序列预测是一个令人兴奋的前沿领域。通过将预测任务重新表述为一种语言建模，Chronos展示了一条通往通用、准确预测的更简单路径。 研究领域机器学习标签时间序列概率预测FINISHED
15110编辑于 2026-04-06- 来自专栏R语言数据分析指南
NC图表复现-时序分析预测图
annotate(geom="rect",xmin=2011,xmax=Inf,ymin=-Inf,ymax=0,alpha=.2)+ geom_line(data=df %>% select(1,2,4) ymax = full_lower), fill = "#0B7751", alpha = 0.5)+ geom_ribbon(data=df %>% select(1,4,8,9 ), aes(x=id,y=GPPBGC,ymin = bgc_upper, ymax = bgc_lower), fill = "#7294D4" geom_point(data=data,aes(MedianYear,mean*500),color="#FF7F00", shape=23,fill="#FDD262",size=4) + scale_color_manual(values = c(GPPBGC="#7294D4",GPPFULL="#0B7751"))+ scale_x_continuous(expa=c(0,0
34510编辑于 2024-03-02 - 来自专栏PPV课数据科学社区
【推荐】再谈数据挖掘——时序预测初探
这两幅图代表了大数据环境下趋势预测的典型场景，即事件预测和时序预测，本文重点关注第二幅图中的场景，即与时间维度相关的时间序列预测。 2. 现实预测中，机器学习方法往往结合传统时序预测法来运用。 4. 展望 大数据时代的时序预测得到越来越多的关注，能够准确预测趋势是时序预测的基础应用，其他场景如异常检测等也应用了时序预测方法，我们期待时序预测能够有更多的应用场景，比如通过精准预测，发现可能出现的突发事件以提高应对措施 这里初步探索的ARIMA模型是通用场景下的时序预测，在具体应用场景下，预测可以做的更精确。 PPV课其他精彩文章： 1、回复“干货”查看干货 数据分析师完整知识结构 2、回复“答案”查看大数据Hadoop面试笔试题及答案 3、回复“设计”查看这是我见过最逆天的设计，令人惊叹叫绝 4、回复“
1.3K40发布于 2018-04-20 - 来自专栏数据STUDIO
时序预测的深度学习算法介绍
除了用于语音生成，WaveNet还可以应用于时序预测任务。在时序预测任务中，我们需要预测给定时间序列的下一个时间步的取值。 TCNModel( input_chunk_length=13, output_chunk_length=12, kernel_size=2, num_filters=4, TCNModel( input_chunk_length=60, output_chunk_length=20, kernel_size=2, num_filters=4, 在预测阶段，TFT方法使用已训练好的模型来对未来时序数据进行预测。 在预测阶段，Informer方法可以使用滑动窗口技术来预测未来时间点的值。 Informer方法在多个时序预测数据集上进行了实验，并与其他流行的时序预测方法进行了比较。
2.7K32编辑于 2023-09-04 - 来自专栏机器学习-数据挖掘
【时序预测】一文梳理时间序列预测——ARMA模型
早期的时序分析通常都是通过直观的数据比较或绘图观测,寻找序列中蕴含的波动特征和发展规律,这种分析方法就称为描述性时序分析。 随着时间和社会的发展，想通过对序列（比如金融、人口、互联网等相关行业）简单的观察和描述,总结出随机变量发展变化的规律,并准确预测出它们将来的走势通常是非常困难的。 1、图检验法 时序图检验 根据平稳时间序列均值、方差均为常数的性质，平稳时间序列的时序图（折线图）应该始终在一个常数值附近随机波动无明显的趋势性或周期性，而且波动的范围有界。 通常来说，只有那些序列值之间具有密切的相关关系，历史数据对未来的发展具有一定的影响，才可以用来建模以挖掘历史数据中的有效信息，并预测未来的发展。纯随机性序列不具有任何分析价值。 步骤4 利用构建的拟合模型，可以进行动态结构分析以考察研究对象的运行规律，调整输入变量以控制研究对象的发展、对未来变化进行序列预测。 4. 平稳时间序列之ARMA建模 4.1.
20.3K75发布于 2020-07-22 - 来自专栏科学最Top
时序论文27｜Fredformer：频域去偏差的时序预测Transformer模型
/2406.09009 代码链接：https://github.com/chenzRG/Fredformer 前言 这篇文章发表于KDD2024，作者的出发点以及写作思路特别好，属于先通过定量分析发现时序预测任务中 其中绿线是真实数据，红线是模型预测的曲线，很明显FEDformer和Patch TST的预测，对数据大幅变化的情况预测的比较准，然而小幅波动却几乎不敏感。 有了思路和目标，我们看作者设计的模型，如上图所示，总共包含4部分，分别是：（1）从DFT到IDFT的骨干网络；（2）频域建模模块；（3）Transformer 编码模块；（4）频域Summarization （4）进行线性变换，最后转回时域。 本文实验 个人感想 优点简评 这是我特别喜欢的文章风格，类似Patch TST，首先有一个分析，把问题和目标交代的很清楚，然后有依据的设计模型。 同时，研究超参数优化、长期预测能力、模型解释性。
1.1K11编辑于 2024-09-27 - 来自专栏CSDN社区搬运
时序预测:多头注意力+宽度学习
在此之前，将这两种高度非线性映射算法融合的主要方法是使用堆叠的多头自注意力来提取特征，然后使用宽度学习模型进行分类预测。 这篇论文提出了一种直接将多头注意力模块集成到宽度学习中的方法，从而实现了端到端的预测模型。 文章的主要贡献点 1、提出了一种名为“Multi-Attn BLS”的BLS新范式，可以用于动态建模混沌时序数据。 3、Multi-Attn BLS在三个基准测试上取得了出色的预测效果，其它在混沌时间序列中也具有很强的可解释性。 核心代码复现 在本文中，我们主要关注MultiAttn-BLS中多头自注意力机制和BLS模型的融合，对时序数据预处理的复现不是本文重点。
27410编辑于 2024-11-15 - 来自专栏登神长阶
【论文复现】基于深度学习的高效时序预测
❀ 基于深度学习的高效时序预测 概述 一、论文思路 二、论文模型 三、实现方法 四 复现论文 使用方式 代码结构 部署方式 概述 2022年，清华大学软件学院的学者提出了Autoformer:用于长期时间序列预测的自相关分解 Transformer延长预测时间是实际应用的关键需求，如极端天气预警和长期能耗规划。 ，作者将Autoformer作为分解体系结构，通过设计内部分解模块，使深度预测模型具有内在的渐进分解能力。 (1).作者首先通过原数据减去池化平均项，获得分解项备用 (2).编码器，待训练的原始时序数据经过自相关机制，时序分解模块，前馈神经网络以及再一次时序分解模块获得编码器的结果，其中，从输入到第一个时序分解和从第一个时序分解模块到最后一个有一个残差连接 4.前馈网络（FFN）：与前向传播类似，包含多层感知机(MLP)和归一化层(LN)。 损失函数：L1 loss 和 L2 loss,或二者结合。
67920编辑于 2024-12-30 - 来自专栏Coggle数据科学
时序预测竞赛之异常检测算法综述
本文将介绍在时间序列预测相关问题中常见的异常检测算法，可以很大程度上帮助改善最终预测效果。 异常分类 时间序列的异常检测问题通常表示为相对于某些标准信号或常见信号的离群点。 常见异常检测方法 从分类看，当前发展阶段的时序异常检测算法和模型可以分为一下几类： 统计模型：优点是复杂度低，计算速度快，泛化能力强悍。 standard score)，如果大于Grubbs临界值，那么就是outlier Grubbs临界值可以查表得到，它由两个值决定：检出水平α（越严格越小），样本数量n，排除outlier，对剩余序列循环做 1-4 该方法的思路是从过去的几个数据点来生成下一个数据点的预测，在过程中添加一些随机变量（通常是添加白噪声）。以此类推，预测得到的数据点可以用来生成新的预测。很明显：它会使得后续预测信号数据更平滑。 该领域还在研究中，可以参考这里，构建时序模型需要大量的工作。构建成功完成后，就可能在精确度方面取得优异的成绩。
1.6K20编辑于 2022-05-05 - 来自专栏机器学习AI算法工程
Microsoft 时序算法——结果预算+下期彩票预测篇）
前言 本篇我们将总结的算法为Microsoft时序算法的结果预测值，是上一篇文章Microsoft时序算法的一个总结，上一篇我们已经基于微软案例数据库的销售历史信息表，利用Microsoft时序算法对其结果进行了预测 ，丫不是说时序算法可以预测未来的事情嘛....咋认怂了呢.... 从选择第一个数字的预测图我们可以看到，历史结果值集中在中间值，以4为最佳值，并且以此值作为分割点向两侧逐渐减少出现次数，然后我通过点击顺利的预测出来明天也就是2014年10月15号的第一个数字应该是4！ 然后..然后我又看了其它数字的预测，通过上面的方法将明天的结果预测结果值保存到了数据库，我们来看： ? 我们点击来看运行结果： ? 哈哈...明天的彩票值我已经顺利的预测出来了：看看...4、7、5！ 也就是说越选择接近4的中奖概率高，但是得到的奖金回报率也少，选择离4远的数值中奖概率低，但是得到的奖金回报率也高！... 我那个去... 我的高富帅梦、我的大湿梦！.....
4.2K61发布于 2018-03-12 - 来自专栏圆圆的算法笔记
用Transformer做多元时序预测的最佳方法？
Transformer如何应用于时间序列预测一直是近期探讨的一个核心问题，这里包括多变量建模的处理方式、Transformer的结构等。 那么，到底如何使用Transformer进行时间序列预测效果最好呢？ 具体的建模方式，文中也尝试了4种类型： No channel interaction：每个变量独立，不建模变量间关系 Self-attention：变量间使用self-attention建模 Channel identifier：每个channel用一个可学习的向量，和token计算关系 Cross-attention：结合每个channel的token和identifier进行attention 4、 patch内子序列长度的选择，可以看出子序列长度越大，整体效果越好： 对于多变量关系建模方面，直接将channel融合到一起输入Transformer的效果最差，而其他的各种将channel间信息交互与时序建模分开的方式效果基本不相上下
3K21编辑于 2023-08-17
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号