Datewhale AI 夏令营 机器学习笔记

1. 时间序列问题的定义

时间序列问题是指对按时间顺序排列的数据点进行分析和预测的问题，往往用来做未来的趋势预测。比如，基于历史股票每天的股价，预测未来股票的价格走向。

简单来说，本次赛题的目标很简单清晰——【训练 时序预测模型 助力电力需求预测】

电力需求的准确预测对于电网的稳定运行、能源的有效管理以及可再生能源的整合至关重要。

常见的时间序列场景有：

1. 金融领域：股票价格预测、利率变动、汇率预测等。

2. 气象领域：温度、降水量、风速等气候指标的预测。

3. 销售预测：产品或服务的未来销售额预测。

4. 库存管理：预测库存需求，优化库存水平。

5. 能源领域：电力需求预测、石油价格预测等。

6. 医疗领域：疾病爆发趋势预测、医疗资源需求预测。

时间序列问题的数据往往有如下特点：

1. 时间依赖性：数据点之间存在时间上的连续性和依赖性。

2. 非平稳性：数据的统计特性（如均值、方差）随时间变化。

3. 季节性：数据表现出周期性的模式，如年度、月度或周度。

4. 趋势：数据随时间推移呈现长期上升或下降的趋势。

5. 周期性：数据可能存在非固定周期的波动。

6. 随机波动：数据可能受到随机事件的影响，表现出不确定性。

时间序列预测问题可以通过多种建模方法来解决，包括传统的时间序列模型、机器学习模型和深度学习模型。

1. 传统时序模型