- 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。 鉴于时间序列数据在现实应用中的关键作用[4]，[5]，[6]，时间序列分析一直是一个长期的研究方向。时间序列分析包括分析时间变化以理解时间序列数据并做出准确预测和明智决策的过程。 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？
方法的有效性和精度的特征，如 y_pred 与 y_true 偏差均值，偏差最大值，偏差方差等，通过这些指标对 baseline 方法进行聚类，将方法按照有效性和精度分成K类，并在配置文件中记录每一类里面表现最好的模型； 4.
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。 通常一个RNN从前馈网络通过连接的神经元的输出到其输入端获得的，参见图4。短期内时间相关性由隐藏到隐藏连接建模，而无需使用任何时间延迟。它们经常迭代训练，并通过被称为反向传播通时间（BPTT）的过程。 图4 递推神经网络（RNN）。输入x被变换到输出表示y，其通过隐单位h。隐单元连接当前时间帧的输入值和隐单元从先前时间帧。 深度学习 这个所介绍的隐单元是使用非线性激活函数。
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
sns def read_data(idx = 'H1', cis = True, metrics = ['smape']): info = pd.read_csv( 'M4- 所以最终选择了应用order (5,1,4) x(1,1,1,24)的季节性ARIMA模型。 = 'manual_arima', ) LSTM 如果说ARIMA是时间序列模型中比较简单的一种，那么LSTM就是比较先进的方法之一。 这是实际M4比赛中使用的两个指标。 这里我们使用scalecast包，这个包的功能还是很强大的，如果你喜欢，可以去它的主页看看： https://github.com/mikekeith52/scalecast 本文的数据集是M4的时序竞赛
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
predictor = estimator.train(training_data=train_ds, num_workers=4) 预测 训练完成后，我们需要绘制预测值和实际值的对比图。 import pandas as pd import numpy as np from matplotlib import pyplot as plt data.plot(figsize=(12, 4) 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。 for k in range(len(forecasts)): fig, ax1 = plt.subplots(1, 1, figsize=(12, 4)) forecasts[k].plot( , iter(forecasts), num_series=len(test_data_lds)) import json print(json.dumps(agg_metrics, indent=4)
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。 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 2 <fit[+]> PROPHET Test <tibble [90 × 4]> ## 3 3 <workflow > GLMNET Test <tibble [90 × 4]> ## 4 4 <workflow> RANDOMFOREST Test <tibble [90 × 4]> ## 5 5 <workflow> PROPHET W/ XGBOOST ERRORS Test <tibble [90 × 4]> 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。 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
通讯Marinka Zitnik是哈佛大学的助理教授，是AI4Science领域的rising star。 有一篇发表在《nature》上大佬云集的AI4Science的综述：Scientific discovery in the age of artificial intelligence，Marinka是大通讯 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。
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」
(window=4,center = False).mean() ## 滚动平均 rollstd = timeseries.rolling(window=4,center = False).std () ## 滚动标准差 ## 画图 #rollmean.plot(color = 'yellow',title='Rolling Mean',figsize=(10,4)) # rollstd.plot(color = 'blue',title='Rolling Std',figsize=(10,4)) return diff1,diff2,rollmean, 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。 Smooth_data = stationarity(train_data) # 4 差分 for data in zip(Smooth_data,range(4)):# range
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
//github.com/amazon-science/chronos-forecasting/tree/chronosx TL；DR：本文提出ChronosX方法，通过模块化设计将协变量整合到预训练时间序列模型中 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。
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
练习4 找出拟合的ARIMA模型的平均绝对误差（MASE）。 accuracy 练习5 为消费数据估计一个扩展的ARIMA模型，将温度变量作为一个额外的回归因子（使用auto.arima函数）。
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
以下是一个时间序列示例，该示例说明了从1949年到1960年每月航空公司的乘客数量。
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 如下图所示: 图4 自相关系数和偏相关系数图 3.ADF单位根检验(最常用的方法) Augmented Dickey–Fuller test 扩展迪基-福勒检验，这个检验的原假设H0: 序列是非平稳序列 图4 自相关系数和偏相关系数图 根据上图，可以看到acf(自相关图)在一阶过后存在明显的截尾，而pacf(偏相关图)缓慢下行，存在拖尾特征。所以可以选择MA(滑动平均)模型。
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
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
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
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。 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 尽管SambaMOTR的set-of-sequences模型Samba在推理时对长序列表现出令人印象深刻的一般化性能（表4，行c），但作者提出在更长序列上进行训练（即10帧）并仅对最后5帧应用梯度（表4 Ablation Studies 作者在表格4中分析了作者的方法中每个组件的影响，详细内容见第4节，图B进行了说明。此外，附录C中还呈现了其他深入的消融实验。 SSM。
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）
如果你熟悉时间序列及其常用方法(如移动平均、指数平滑和ARIMA)，则可以直接跳到第4节。对于初学者，请从下面这一节开始，内容包括对时间序列和各种预测方法的简要介绍。 一、什么是时间序列？ 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。 ? 5. 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. 创建ACF和PACF图：这是ARIMA实现中最重要的一步。用ACF PACF图来确定ARIMA模型的输入参数。 6. 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。 正如你所看到的，我们完全绕过了选择p和q的步骤。啊!可以松口气了！
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。 1.2 贝叶斯结构时间序列模型 1.3 谷歌的Causal Impact 数据分析36计(12)：做不了AB测试，如何量化评估营销、产品改版等对业务的效果. ))) basedate.columns=["visit_date"] #店舗を指定、日時を限定 store1=df[df["air_store_id"]=="air_e55abd740f93ecc4" 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