- 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。 传统的时间序列方法，如自回归积分滑动平均（ARIMA）[1]、指数平滑和谱分析[7]，长期以来一直是时间序列分析中的坚实工具。 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。 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？
我们时常会面临这样的困境：时序算法发展已久，随着时序预测&检测算法模型越来越丰富，当新时序预测需求来临时，我应该如何从十几种模型中选择最适合该业务的模型？
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 X = np.append(X, AR(b, X, mu, sigma)) #Plot the AR series. fig, ax = plt.subplots(figsize = (15, 7) 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7显示了超过十年的Dow Jones工业平均指数（DJOI）。 ? 图7 十年的Dow Jones工业平均指数（DJOI） 根据有效市场假说（EMH），股票市场价格遵循随机游走模式，这意味着一个股有相同的概率去上升，因为它已往下降，导致该预测不能有超过50个％的精度。
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。
1.3K30编辑于 2022-10-25 - 来自专栏数据STUDIO
经典时间序列模型 DeepAR 预测股票趋势
prediction interval" for k in prediction_intervals][::-1] fig, ax = plt.subplots(1, 1, figsize=(10, 7) 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。 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。 总的来说，UniTS模型为时间序列分析领域提供了一个强大的通用模型，它在多个任务和领域中展现出优越的性能，并为未来的时间序列模型研究提供了新的方向。 如果觉得有帮助还请分享，在看，点赞
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」
我于2019年发布此篇文章至今收获了许多人的指点，当时的代码的确晦涩难懂，近期有空，将代码重新整理了一遍，重新发送至此。希望能够帮助大家更好地理解。
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
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。 练习7 检查温度变量系数的统计意义。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。
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 上图中,acf滞后1阶后缩小为0，pacf滞后7阶后缩小为0。所以可以选择MA(1,7)或者ARMA(1,7)模型。 3.2 模型预测 选定模型之后，接下来就是模型的评估。 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。
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
这篇文章讨论了自回归综合移动平均模型 (ARIMA) 和自回归条件异方差模型 (GARCH) 及其在股票市场预测中的应用。
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 period of the seasonal component; if input data is specified in terms of days, then choosing nseasons=7 For modeling a weekly season on this data, one can specify `nseasons=7` and season_duration=24 which 00:00', '20200410 23:00:00'] ci = CausalImpact(df, pre_period, post_period, model_args={'nseasons': 7, 'season_duration': 24}) print(ci.summary()) 这里可以这么理解，如果是Hour粒度数据需要By week看，那就需要每隔 7*24个数据点作为一个batch
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
这篇文章讨论了自回归综合移动平均模型 (ARIMA) 和自回归条件异方差模型 (GARCH) 及其在股票市场预测中的应用。
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 由于MOT17（Milan等人，2016）的高度线性运动，其小尺寸（只有7个视频）以及后续在额外检测数据集上进行训练的需要，端到端跟踪方法在基于卡尔曼滤波的更简单的方法上没有提供额外的优势。 7 Conclusion 提出的SambaMOTR充分利用了跟踪任务的时间顺序性，使用作者的一组序列模型Samba作为 Query 传播模块，共同建模每个tracklet的时间历史及其相互作用。
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）
7. 霍尔特-温特斯（Holt Winters）方法：该算法同时考虑了数据的趋势和季节性。例如，一家酒店的预订数量在周末很高，而在工作日则很低，并且每年都在增加；因此存在每周的季节性和增长的趋势。 7. 拟合ARIMA模型：利用我们从前面步骤中计算出来的数据和参数值，拟合ARIMA模型。 8. 在验证集上进行预测：预测未来的值。 9.
2.6K10发布于 2018-12-13 - 来自专栏小樱的经验随笔
时间序列分析算法【R详解】
所以，如果你不了解时间序列模型。这篇文章将会想你介绍时间序列模型的处理步骤以及它的相关技术。 6 7 8 9 10 11 12 6 1952 1 2 3 4 5 6 7 8 9 10 11 12 7 1953 1 2 3 4 5 6 7 8 9 10 11 12 8 1954 1 2 3 4 5 6 7 8 9 10 11 12 9 1955 12 11 1957 1 2 3 4 5 6 7 8 9 10 11 12 12 1958 1 2 3 4 5 6 7 8 现在，我将介绍一个时间序列模型的整体框架。此外，还将讨论时间序列模型的实际应用。 4、ARIMA时间序列模型的框架与应用 到此，本文快速介绍了时间序列模型的基础概念、使用R探索时间序列和ARMA模型。
3.1K60发布于 2018-04-09
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