- 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
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。 第5部分介绍了提议的开源基准——时间序列库（TSLib），并展示了详细分析的广泛实验比较。第6部分简要讨论了未来的研究方向，第7部分总结了本次综述。 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？
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5个测试指标上的实验结果
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。 在一个卷积设置中，隐单元不完全连接到输入而是分为互补局部连接的段，见图5。卷积已应用于RBMs和自动编码器去创建卷积RBMs（convRBM）和卷积自动编码器（convAE）。 图5 两层的卷积神经网络 一个常用的操作是与卷积一起使用，它通过一个最大、平均或直方图的操作结合输入或特征空间附近的值，其就是池化。池的目的是实现小局部变形的不变性，并减少了特征空间的维数。 在一层cRBM模型次序中通常低于5个输入大小的大约50左右。在输入尺寸减小将允许更高模型次序。在一个RNN中，隐单元在当前时间帧受到在先前时间帧隐单元状态的影响。
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
来源：DeepHub IMBA本文约2500字，建议阅读5分钟在这篇文章中，将展示如何堆叠我们能见到的模型的预测。 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。 f.set_estimator('arima') 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，那么LSTM就是比较先进的方法之一。
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
这里设置为 (24 * 5)，表示模型回顾的时间段相当于 5 天（假设每个时间步长对应一个小时）。 prediction_length：预测长度，该参数指定模型应生成多远的预测。 DeepAREstimator(freq=freq, # context length is number of time steps will look back(5 days in a week) context_length=24 * 5, prediction_length (883,5) 和 (156,5)。 时间序列数据应包含开始日期、目标数据和数据频率。GluonTS 数据格式要求包含这三个要素。在下面的代码中，我们将数据集转换为与 GluonTS 兼容的格式。 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。 minute"), contains("second"), contains("xts")) %>% step_fourier(date, period = 365, K = 5) 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。 5 <workflow> PROPHET W/ XGBOOST ERRORS 模型校准用于量化误差并估计置信区间。 5 <workflow> PROPHET W/ XGBOOST ERRORS Test <tibble [90 × 4]> 4.模型预测 利用校准后的数据，我们可以对test数据进行预测。
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
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。 预测任务（20个） 分类（18个） 其中Sup.表示监督学习，Prompt表示提示学习 预测零样本学习 5个跨域数据集的预测零样本 （上）变长零样本预测（下）9个预测6个分类的少样本在跨域数据集 （上） 零样本学习：UniTS在5个新的预测任务上进行了零样本学习测试，这些任务在预训练期间未见过。实验比较了UniTS与LLMTime模型的性能，后者是专门为零样本预测设计的大型语言模型。
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」
主要看： （1）1%、%5、%10不同程度拒绝原假设的统计值和ADF Test result的比较，ADF Test result同时小于1%、5%、10%即说明非常好地拒绝该假设，本数据中，adf结果为 heatmap_AIC(timeseries): #设置遍历循环的初始条件，以热力图的形式展示，原理同AIC，BIC，HQIC定阶 p_min = 0 q_min = 0 p_max = 5 q_max = 5 d_min = 0 d_max = 5 # 创建Dataframe,以BIC准则 results_aic = pd.DataFrame(index 整篇博客都是代码实现的，具体的数学公式，自行百度吧~~ 2022年1月5日更新： 此版本代码基于statsmodels 0.10.1实现，目前最新statsmodels版本，已经不能像下面这样调用ARMA
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
时间序列预测的基准测试：Makridakis等人（2022）对M5竞赛中的时间序列预测结果进行分析，提供了时间序列预测领域的一个重要基准。 本文在评估ChronosX模型时，参考了M5竞赛中的数据集和评估指标，以确保模型性能的评估具有可比性和实际意义。 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。 M5：在M5数据集上，ChronosX的WQL为0.538，而Chronos的WQL为0.538，表明ChronosX在处理大规模零售数据时能够保持良好的性能。
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
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）。 该系数在5%的水平上是否有统计学意义？ test(fit) 练习8 估计ARIMA模型的函数可以输入更多的附加回归因子，但只能以矩阵的形式输入。创建一个有以下几列的矩阵。 温度变量的值。
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 这里用的模型是ARMA(0,7)模型，预测效果如下图所示: 预测准确度衡量采用均方根误差衡量，可以看到图5中均方根误差为93.3097。对于三天的数据基本可以接受，预测效果比较理想。 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。
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
在这里，我们将最大滞后时间限制为 5 天，并使用 AIC 选择最佳模型。 我们将 AR 滞后和 GARCH 滞后都限制为小于 5。结果最优阶为 (4,2,2)。 for l in rage(5): for p in rage(1, 5): for q in rage(1, 5): try: 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
在这里，我们将最大滞后时间限制为 5 天，并使用 AIC 选择最佳模型。 我们将 AR 滞后和 GARCH 滞后都限制为小于 5。结果最优阶为 (4,2,2)。 for l in rage(5): for p in rage(1, 5): for q in rage(1, 5): try: 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。 先前的MOTR类似方法是端到端地在一系列随机间隔采样的5连续帧上进行训练。 5 Experiments 在本节中，作者提出了实验结果来验证SambaMOTR。作者描述了作者的评估协议（第5.1节），并报告了实现细节（第5.2节）。 每个批处理元素包含一个包含10帧的短视频，作者只在最后5帧上计算和反向传播梯度。作者在每个剪辑的1到10之间的随机间隔上均匀地采样帧。
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）
5. 简单指数平滑法：在这种方法中，更大的权重被分配给更近期的观测结果，来自遥远过去的观测值则被赋予较小的权重。 ? 6. 霍尔特（Holt）线性趋势模型：该方法考虑了数据集的趋势。 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. 确定p值和q值：从上一步的ACF和PACF图中读取p和q的值。 7. 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！在下一节中，我们将使用一个假想数据集实现Auto ARIMA。
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. 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)。 3.3.2 设定季节因素 observed_stddev, observed_initial = (5., 0.) num_seasons = 7 drift_scale_prior = tfd.LogNormal
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