- 综合排序
- 最热优先
- 最新优先
- 来自专栏算法进阶
深度时间序列模型的综述
基于TSLib，我们对12个先进的深度时间序列模型在不同任务上进行了全面评估。实证结果表明，具有特定结构的模型非常适合于特定的分析任务，这为深度时间序列模型的研究和应用提供了见解。 时间序列是指以离散时间顺序索引的一系列数据点[1]，[2]，在现实应用中无处不在，如金融风险评估、能源可持续性和天气预报。随着各种领域大量时间序列数据的日益增多，时间序列分析领域见证了巨大的进步。 第2部分介绍了时间序列分析的背景概念。第3部分介绍了在流行的深度时间序列模型中广泛使用的基本模块。第4部分从架构设计的角度回顾了现有的深度时间序列模型。 方法 时间序列模型需要揭示观察数据中内在的时间依赖性和变量相关性。在本节中，我们对现有的深度时间序列模型进行技术综述。 我们首先详细回顾了时间序列模型中广泛使用的通用模块，包括归一化、分解和傅里叶分析。接下来，我们从骨干架构的角度总结了现有的深度时间序列模型。
49411编辑于 2024-07-31 - 来自专栏算法进阶
如何选择时间序列模型？
更先进的算法训练框架（灵活、可自由配置的Baseline与参数等） 2. 更智能的特征工程手段（表征学习代替专家经验） 3. 对数据进行预处理（缺失值补充、冗余清洗等）后，均衡采样10%-20%的数据用于模型的线下训练，预先构建时序表征学习 TS2Vec 模型和深度学习模型； 2. 关键技术点 在这个框架中主要涉及到比较关键的技术点有以下2点： 01、加权表征学习 设i为输入时间序列样本 X 的实例索引，t 为时间戳；而设 和 表示同一时间戳 t，但来自 的两个增强的上下文。 TS2Vec 在时间轴上对学习到的表示进行最大池化操作，并递归地计算损失函数，在层次对比模型中，损失函数应用于所有粒度级别的数据。 TS2Vec 在三个与时间序列相关的任务上展示了其通用性和有效性，这包括时间序列分类、预测和异常检测。
78510编辑于 2024-07-10 - 来自专栏自然语言处理
机器学习（十一）时间序列模型
构成要素 2 时间序列模型详解 2.1 插值法 在讲AR模型之前，我们先了解下插值法 插值法又称“内插法”，是利用函数f (x)在某区间中已知的若干点的函数值，作出适当的特定函数，在区间的其他点上用这特定函数的值作为函数 sm.tsa.datetools.dates_from_range('1980m1', length=nobs) y = pd.Series(y, index=dates) arma_mod = sm.tsa.ARMA(y, order=(2,2 模型体系 参考资料 国内首个AI笔试面试题库 - 七月在线 时间序列分析这件小事（四）--AR模型 - CSDN博客 AR模型_百度百科 python时间序列分析 - 大熊猫淘沙 - 博客园 时间序列模型
4.9K20发布于 2018-10-08 - 来自专栏计算机视觉战队
深度学习的时间序列模型评价
技术总言： 这次主要说最近发展的无监督特征学习和深入学习，其对于时间序列模型问题的评价。这些技术已经展现了希望对于建模静态数据，如计算机视觉，把它们应用到时间序列数据正在获得越来越多的关注。 建模连续数据的传统方法包括从假定时间序列模型参数的估计，如自回归模型和线性动力系统（LDS），和著名的隐马尔可夫模型（HMM）。估计的参数然后可以在分类器被用作特征去执行分类。 图2 两层条件RBM的时间序列数据，用于第一和第二层的模型顺序分别是3和2 该cRBM由自回归权重组成，该模型的短期时间结构，和以往可见单元到当前隐含单元之间的连接。 可见单元的各层x，隐单元h和重建的可见单元，通过连接权重矩阵W1和W2，隐含层和重建层分别具有偏置矢量b1和b2。它是常见的自动编码器去并列权重，即W2=（W1）T。 那会在本节呈现经典的时间序列问题，总结如表2。 表2 常用时间序列问题的总结 ? 举个小例子：视频 视频数据是随着时间推移的图像系列（时空数据），并可以因此被看作是高维的时序数据。
2.5K80发布于 2018-04-17 - 来自专栏数据派THU
集成时间序列模型提高预测精度
f.manual_forecast( order = (5,1,4), seasonal_order = (1,1,1,24), call_me = 'manual_arima', ) LSTM 如果说ARIMA是时间序列模型中比较简单的一种
90320编辑于 2023-04-08 - 来自专栏数据STUDIO
经典时间序列模型 DeepAR 预测股票趋势
在我们的例子中，模型配置为 2 层。 dropout_rate：这是一种正则化技术，有助于防止过度拟合。它表示在训练过程中丢弃的输入单元的比例。 prediction_lentgh, cardinality=[1], num_layers=2, if len(forecast_entry) > 1: lower, upper = np.percentile(forecast_entry, q=[(1 - k) * 100 / 2 k in prediction_intervals], axis=0), np.percentile( forecast_entry, q=[(1 + k) * 100 / 2 在验证时间序列模型时，我们会使用测试数据集进行预测，并评估预测性能。这个过程可以封装在“make_evaluation_prediction”函数中。
1.1K11编辑于 2024-05-22 - 来自专栏EpiHub
R 机器学习预测时间序列模型
如XGBoost，GLMnet，Stan，Random Forest等 改进传统时间序列模型。 bike_transactions_tbl # plot bike_transactions_tbl %>% plot_time_series(date, value, .interactive = FALSE) 2. ma3 drift -0.6106 -0.1868 -0.0673 9.3169 s.e. 0.0396 0.0466 0.0398 4.6225 sigma^2 现在我们有了几个时间序列模型，让我们对其进行分析，并通过模型时间工作流程预测未来变化趋势。 Modeltime使用ID来定位我们之前建立的模型，以帮助我们识别模型。 2 <fit[+]> PROPHET ## 3 3 <workflow> GLMNET ## 4
1.3K30编辑于 2022-10-25 - 来自专栏数据科学（冷冻工厂）
如何将 Transformer 应用于时间序列模型
虽然稳定扩散模型使用嵌入来生成图像，但嵌入可用于生成对时间序列模型有用的附加输出。 嵌入和位置编码：如何表示输入数据 当您将短语“我爱狗”输入普通转换器时，一种名为 Word2Vec 的算法会将每个单词转换为数字列表（称为向量）。 将 Word2Vec 和位置向量算法提供的信息打包在一起，就是所谓的文本嵌入，或者以机器可以读取的方式表示的原始短语。 使用 Transformer 启用的多头注意力可以帮助改进时间序列模型处理长期依赖性的方式，从而提供优于当前方法的优势。 网络修改2：注意力模块 为了降低注意力层的二次复杂度，新的 Transformer 引入了 ProbSparse Attention 的概念。
1.5K10编辑于 2023-09-24 - 来自专栏时空探索之旅
AI论文速读 | UniTS：构建统一的时间序列模型
标题和作者 作者简介（一作和通讯）： 一作高尚华博士是CV出身，博士师从南开大学程明明教授，目前在哈佛做博后，经典的ResNet变体——Res2Net一作。 本文开发了 UNITS，这是一个统一的时间序列模型，支持通用任务规范，可容纳分类、预测、插补和异常检测任务。 A: 这篇论文提出了一个名为UniTS（Unified Time Series）的统一时间序列模型，旨在解决以下问题： 多任务学习与适应性：传统的时间序列模型通常针对特定任务进行训练，如预测、分类、插值和异常检测等 将大型语言模型重新编程为时间序列模型：一些研究尝试将大型预训练语言模型（如GPT-2）重新编程以适应时间序列任务，例如GPT4TS。 Q: 总结一下论文的主要内容 A: 这篇论文介绍了UniTS（Unified Time Series），这是一个统一的时间序列模型，旨在解决多任务学习和跨领域时间序列分析的挑战。
49310编辑于 2024-11-19 - 来自专栏全栈程序员必看
时间序列模型（ARIMA和ARMA）完整步骤详述「建议收藏」
建模步骤： 目录 数据包和版本申明 步骤一：数据准备与数据预处理 步骤二：数据重采样 步骤三：平滑处理 步骤四：平稳性检验 步骤五： 时间序列定阶 （2）信息准则定阶 步骤六：模型构建 步骤七：模型评价 preprocessing #### 删掉或者修改创建的数据后，进行简单数据预处理 def data_preprocessing(): data = pd.read_csv('G:\\WX\\2\ #### Step 2 重采样 #### Resample Data and Sampling frequency is days #### 重采样，将采样频率换成以天为单位 def Resampling （2）P-value是否非常接近0.本数据中，P-value 为 7.9e-10，接近0。 （2）D-W检验结果为： 当D-W检验值接近于2时，不存在自相关性，说明模型较好。 D-W检验如何数学说明，可以参考下面链接。
8.9K21编辑于 2022-08-25 - 来自专栏时空探索之旅
AISTATS 2025 | ChronosX：利用外生变量调整预训练时间序列模型
A: 这篇论文试图解决如何将预训练的时间序列模型与外源变量（即协变量）相结合的问题。具体来说，论文提出了一个名为ChronosX的新方法，用于将协变量信息整合到预训练的时间序列预测模型中。 ChronosX A: 论文通过提出ChronosX方法来解决如何将预训练的时间序列模型与外源变量（协变量）相结合的问题。 总结 ChronosX通过模块化设计，有效地将协变量信息整合到预训练的时间序列模型中，不仅提高了模型的预测性能，还保持了模型的灵活性和快速适应能力。 基线模型 Chronos：预训练的时间序列模型，不包含协变量。 DeepAR：亚马逊提出的深度学习模型，支持协变量。 TFT：Temporal Fusion Transformer，支持协变量。 只展示 时间和内存效率比较 模型针对具有协变量的真实数据集上的聚合WQL的平均执行时间和更新参数数量 ChronosX变体概率预测示例 这里放2张，共17个数据集，17张图 Bull
72200编辑于 2025-03-27 - 来自专栏拓端tecdat
【视频】ARIMA时间序列模型原理和R语言ARIMAX预测实现案例
ggplot(df, aes(x = X, y = income)) + ylab("收入") + xlab("时间") + grid.arrange(p1, p2, p3, ncol=1, nrow=3) 练习 2 对冰淇淋消费数据估计ARIMA模型。 温度，滞后期为0、1、2的收入。 检查每个模型的摘要，并找到信息准则（AIC）值最低的模型。 注意AIC不能用于比较具有不同阶数的ARIMA模型，因为观察值的数量不同。
1.5K11编辑于 2023-06-13 - 来自专栏拓端tecdat
Python | ARIMA时间序列模型预测航空公司的乘客数量
数据集 # 将数据拆分为训练/测试集 test = iloc[len(airline)-12:] # 设置一年（12个月）进行测试 # 在训练集上拟合一个SARIMAX（0，1，1）x（2， 12） SARIMAX(Passengers, order = (0, 1, 1), seasonal_order =(2,
2.5K30发布于 2021-09-29 - 来自专栏解飞的专栏
实习生的监控算法: 利用时间序列模型进行曲线预测
导语 各位老司机晚上好啊，这是我实习阶段的最后一篇文章，关于时间序列模型在曲线预测上的应用，会展示出一个较为完整的时间序列建模的过程。 主要内容包括时间序列模型的简介，数据处理与平稳性验证，最后是模型评估预测和进一步思考。一篇水文，求老司机指导...... 一．时间序列模型简介 时间序列模型就是对一组变量进行一段时间的观测所得出来的一组时间有序的序列，可分为平稳序列和非平稳序列，其中平稳序列又可分为宽平稳和严平稳序列，下面对这两种序列给出直观的定义: 严平稳序列 给定随机序列X(t)，如果E[X(t)]为常数且E[X^2(t)] < +∞, Rx(t,t+Δ)=E[X(t)X(t+ Δ)]=Rx(Δ)，Δ = t1 - t2, 这个式子说明E(X*Y)只与时间间隔有关 四．结尾 关于时间序列模型我就做了这么点工作，KM上有老司机的结果相当好，但同样，当数据出现突变或者波动较大的时候，准确率也有所下降。
5.6K20发布于 2017-07-26 - 来自专栏拓端tecdat
金融时间序列模型ARIMA 和GARCH 在股票市场预测应用
收益率预测以 0% 为中心，置信区间在 ±2% 之间。结果并不是特别令人印象深刻。毕竟，市场正在经历一个动荡的阶段，在预测时间窗口内甚至下跌了 6%。 结果最优阶为 (4,2,2)。 证实了均值模型是AR(4)，方差模型是GARCH(2, 2)。一些系数在统计上不显着。 最后但并非最不重要的是，预测区间从±4%下降到±3%，然后又反弹到±5%，这清楚地表明了模型的波动性集群。
2K10编辑于 2022-01-13 - 来自专栏素质云笔记
Google 因果推断的CausalImpact 贝叶斯结构时间序列模型（二十二）
之前一篇:跟着开源项目学因果推断——CausalImpact 贝叶斯结构时间序列模型（二十一） 这里另外写一篇来继续研究一下CausalImpact这个开源库的一些细节的 1 CausalImpact , 'niter': 1000, 'prior_level_sd': 0.01, 'season_duration': 1, 'nseasons': 1, 'standardize': True} 2 Following the recommendations in [2], `SparseLinearRegression` implements a horseshoe with the following Note that we do not yet implement the regularized ('Finnish') horseshoe, proposed in [2] for models local_scales * global_scale[..., tf.newaxis] # 按样本的权重，100个 weights.numpy().mean(axis=1) # 按特征的权重 ，2个
2.2K30编辑于 2021-12-31 - 来自专栏拓端tecdat
Python金融时间序列模型ARIMA 和GARCH 在股票市场预测应用
收益率预测以 0% 为中心，置信区间在 ±2% 之间。结果并不是特别令人印象深刻。毕竟，市场正在经历一个动荡的阶段，在预测时间窗口内甚至下跌了 6%。 结果最优阶为 (4,2,2)。 证实了均值模型是AR(4)，方差模型是GARCH(2, 2)。一些系数在统计上不显着。 最后但并非最不重要的是，预测区间从±4%下降到±3%，然后又反弹到±5%，这清楚地表明了模型的波动性集群。
2.1K51发布于 2021-11-24 - 来自专栏未来先知
SambaMOTR: 用于复杂场景下多目标跟踪的自回归线性时间序列模型 ！
为此，作者提出了Samba，这是一个旨在通过同步用于每个跟踪片段的多个选择状态空间来联合处理多个跟踪片段的新颖线性时间序列模型。 为了解决这些问题，作者提出了Samba 1，这是一个新的线性时间序列模型，可以同时处理一组序列，并将它们的过去压缩成同步的长程记忆表示，捕捉集合内的相互依赖性。 此外，一些 Query 由于遮挡或复杂场景导致检测结果不确定（见图2，遮挡）。为了防止这些检测结果影响记忆表示并累积 Query 传播过程中的错误，作者提出了MaskObs。 作者总结如下： (a) 作者提出了Samba，这是一种基于同步SSMs的新颖线性时间序列模型； (b) 作者提出了SambaMOTR，这是一种首次以原则性方式利用过去tracklet历史来学习长程依赖性 2 Related Work 跟踪检测（Tracking-by-detection）是运动目标跟踪（MOT）领域的一种流行范式，包括一个目标检测阶段，随后进行数据关联以产生物体轨迹，整个视频。
97110编辑于 2024-10-29 - 来自专栏数据派THU
独家 | 利用Auto ARIMA构建高性能时间序列模型（附Python和R代码）
例2： 再举一个例子。假设你有一个数据集，其中包含每天空气中的二氧化碳水平(下面是截图)。那么可以通过过去几天的数值来预测第二天的二氧化碳水平吗？当然可以。 2. 简单平均值法：视下一个值为所有先前值的平均数。这一预测法要优于“朴素预测法”，因为它的结果不会是一条平行线。但是在简单平均值法中，过去的所有值都被考虑进去了，而这些值可能并不都是有用的。 2. 预处理：根据数据集定义预处理步骤。包括创建时间戳、日期/时间列转换为d类型、序列单变量化等。 3. 序列平稳化：为了满足假设，应确保序列平稳。这包括检查序列的平稳性和执行所需的转换。 4. 2. 预处理数据：输入应该是单变量，因此删除其他列。 3. 拟合Auto ARIMA：在单变量序列上拟合模型。 4. 在验证集上进行预测：对验证集进行预测。 5.
2.6K10发布于 2018-12-13 - 来自专栏素质云笔记
跟着开源项目学因果推断——CausalImpact 贝叶斯结构时间序列模型（二十一）
文章目录 1 Causal Impact与贝叶斯结构时间序列模型 1.1 观测数据下Causal Impact的背景由来 1.2 贝叶斯结构时间序列模型 1.3 谷歌的Causal Impact 2 Causal Impact是基于贝叶斯结构时间序列模型，会综合多种信息输入结合自身的时间序列来构造一个策略未上线的虚拟值，以一个案例来进行说明。 df[df["air_store_id"]=="air_1653a6c513865af3"] store2=store2[(store2["visit_date"]>="2016-05") & (store2 ","visitors_store1"]],on="visit_date",how="left") data=pd.merge(data,store2[["visit_date","visitors_store2 在这个包中(谷歌的R包也是如此)，您可以选择任何您想要适合您的数据的时间序列模型(下面将详细介绍)。
5K31编辑于 2021-12-24
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