- 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
相比于具有客观规定语法或直观模式的图像和文本数据，时间序列数据的语义信息主要来自时间变化[3]。这在理解数据方面带来了重大挑战，例如识别顺序依赖性、趋势、季节性模式和复杂的动态性。 近年来，深度学习模型[3]，[21]，[22]，[23]，[24]展示了捕捉时间序列数据中复杂依赖性的能力，使其成为比传统统计方法更强大的时间序列分析工具。 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。 正如图3所示，现有工作可以根据其主干架构分为五类，即基于MLP（多层感知机）、基于RNN（递归神经网络）、基于CNN（卷积神经网络）、基于GNN（图神经网络）和基于Transformer的模型。 为了验证不同时间序列分析模型的通用性，TimesNet [3] 建立了一个更全面的模型通用性基准，涵盖了五个主流的时间序列分析任务。然而，这些基准通常存在一些局限性。
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？
更智能的特征工程手段（表征学习代替专家经验） 3. 基于表征学习抽取的时序数据特征，遍历执行时序任务（如预测、异常检测）baseline 方法，并对采样数据集进行评估&最优方法打标，保存标注结果到数据库中； 3. 主要针对算法方案的执行效率&性能、精度等维度进行验证，因此提出以下五个测试指标： 内部实验结果 上表是基于数据库内部数据集，针对如CPU、磁盘使用率等核心KPIs指标，基于14个时间序列预测模型 + 3个模型选择框架在上述 外部实验结果 下图是在50个公开数据集UCR上使用14个时间序列预测模型和3个模型选择框架在预测准确度上的排名对比热力图，可以看出SimpleTS总体获得的预测准确率排行也是最优的。
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 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。 自动编码 不具有一个配分函数的模型是自动编码，参见图3。自动编码首次引入作为一个降维算法。事实上，一个基本的线性自编码实质上学习相同的表示作为主成分分析（PCA）。 图3 静态时间序列输入的一个一层的自动编码器。输入是当前和之前可视数据x框架的连接。x的重建表示为^X。 递归神经网络 一个模型已用于建模顺序数据的是递推神经网络（RNN）。
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
pip3 install mxnet-mkl==1.6.0 numpy==1.23.1 !pip install gluonts==0.14.2 ! 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。 使用time_series_split()来分割我们的数据，assess = "3 months"来确定后三个月为test数据集，cumulative = TRUE指定前面部分为train。 workflow_fit_prophet_boost 3.模型调整 image.png Modeltime工作流程旨在加速模型评估和选择。 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。 WITH DRIFT ## 2 2 <fit[+]> PROPHET ## 3 3 <workflow> GLMNET
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。 Transformer 如何工作 为了理解如何将 Transformer 应用到时间序列模型中，我们需要关注 Transformer 架构的三个关键部分： 嵌入和位置编码 编码器：计算多头自注意力 解码器 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。 我们相信 Transformer 可以让时间序列模型预测未来多达 1,000 个数据点，甚至更多。 二次复杂度问题 Transformer 计算多头自注意力的方式对于时间序列来说是有问题的。 用例：微服务架构上的延迟 让我们将时间序列模型应用于在线精品店。该商店有 11 个微服务，包括允许用户添加和删除商品的购物车服务以及允许用户搜索单个产品的目录服务。
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
Marinka Zitnik Google Scholar（24年3月17日） 2023[Nature]Scientific discovery in the age of artificial intelligence 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」
#### Step 3 差分转平稳 def stationarity(timeseries): #平稳性处理（timeseries 时间序列） ## 差分法,保存成新的列 diff1 热力图定阶结果如下所示： 黑色的位置最好，可以看出p，q取（1,1）（3,1）（1,4）都可以。一般情况下是越小越好。 步骤七：模型评价 主要分为四种方法：（1）QQ图检验残差是否满足正态分布（2）利用D-W检验,检验残差的自相关性（3）计算预测值和真实值的标准差，误差相关等 （4）还原预测序列和测试序列，用图来直观评价模型 True) ###（2）利用D-W检验,检验残差的自相关性 print('D-W检验值为{}'.format(durbin_watson(resid.values))) ###（3） DW值判断准则 – 百度文库 （3）利用标准差来评价模型时，尤其为样本外预测时，注意时间序列的时间对齐。 在利用图来还原预测数据的过程中，主要利用cumsum（）函数，主要作用是累加操作。
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。 合成数据及概率评测 真实数据集评测 协变量消融实验（FF代表全量微调，full fine-tuning） 模型大小消融实验 ChronosX的3种可选版本 使用不同协变量适配器架构的消融实验 附录 协变量数据集
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
它们对应的是1951年3月18日至1953年7月11日这一时间段内的四周时间。 练习1 加载数据集，并绘制变量cons（冰淇淋消费）、temp（温度）和收入。 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。 auto.arima(cons) fcast_cons <- forecast(fit_cons, h = 6) 练习3 绘制得到的预测图。
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 autoarima(airline['# Passengers'], start_p = 1, start_q = 1, max_p = 3, max_q = 3, m = 12, stepwise = True # 设置为逐步 # 输出摘要 stepwise_fit.summary test["# Passengers"], predictions) 输出： 代码：使用ARIMA模型进行预测 # 在完整数据集上训练模型 result = model.fit() # 未来3年预测 result.predict(start = len(airline), end = (len(airline)-1) + 3 * 12, 这些周期没有季节性变化，但通常会在3到12年的时间范围内发生，具体取决于时间序列的性质。 不规则变化： 这些是时间序列数据中的波动，当趋势和周期性变化被删除时，这些波动变得明显。
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 图5 预测数据(3天) 图6 实际数据(3天) 感觉效果还不错，但是后来仔细的分析上图和结果输出之后。 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
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。请注意，这里是单步滚动预测，应该比静态的多期预测要好。
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
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
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。请注意，这里是单步滚动预测，应该比静态的多期预测要好。
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。 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 3 Preliminaries 在介绍SambaMOTR（第4节）之前，作者先介绍选择性状态空间模型（第3.1节）和传播跟踪（第3.2节）所必需的背景和符号。 作者选择选择性状态空间模型（Gu & Dao，2023）来通过一个隐藏状态（等式（3a））来建模每个序列，但作者的方法适用于任何其他状态空间模型。
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）
3. 移动平均法：这是对前两个方法的改进。不取前面所有点的平均值，而是将n个先前的点的平均值作为预测值。 ? 4. 加权移动平均法：加权移动平均是带权重的移动平均，先前的n个值被赋予不同的权重。 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. 确定d值：为了使序列平稳，执行差分操作的次数将确定为d值。 5. Auto ARIMA让整个任务实现起来非常简单，因为它去除了我们在上一节中提到的步骤3至6。下面是实现AUTO ARIMA应该遵循的步骤： 1. 加载数据：此步骤与ARIMA实现步骤1相同。 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. 计算RMSE：用验证集上的预测值和实际值检查RMSE值。 ds=22u3&display=line ? ? ? 以下是同一问题的R代码： ?
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 の理解と実装 2.3 [翻译]R语言案例：An R package for causal inference using Bayesian structural time-series models 3 3、为达到预测准确需要的数据探索 时间序列本身是由长期趋势、季节性因素、周期性因素和随机变动因素组成（如下图），为了预测准确，需要识别历史数据的这些特征，才能更准确的预测时间序列。 3 官方：TensorFlow Causal Impact 官网地址：getting_started 3.1 背景 谷歌开发的影响模型的工作原理是将贝叶斯结构时间序列模型与观测数据进行拟合，这些数据后来被用来预测在给定的时间段内 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