提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档
提示:这里可以添加本文要记录的大概内容:
文章目录
前言
-
传统统计方法:
AR(自回归模型)、MA(移动平均模型)、ARIMA(差分回归移动平均模型) -
深度学习方法:
DeepAR、Prophet -
基于注意力的方法:
Transformer
一、传统统计方法
1. AR
2. MA
3. ARIMA
引用格式:【Ariyo, A. A.; Adewumi, A. O.; and Ayo, C. K. 2014. Stock price prediction using the ARIMA model. In The 16th International Conference on Computer Modelling and Simulation, 106–112. IEEE】
二、深度学习方法
1. (还没想好)
1. Prophet
引用格式:【Taylor, S. J.; and Letham, B. 2018. Forecasting at scale. The American Statistician 72(1): 37–45.】
-
原理博客1: 【时序】Prophet 大规模预测模型论文笔记
-
代码博客1: 时间序列算法Prophet代码实现——以天气预测模型为例
2. 循环神经网络
1. DeepAR
引用格式:【Flunkert, V.; Salinas, D.; and Gasthaus, J. 2017. DeepAR: Probabilistic forecasting with autoregressive recurrent networks. arXiv:1704.04110 .】
- torch源码实现: GitHub
- 原理博客1: 【时序】DeepAR 概率预测模型论文笔记
2. LSTnet
引用格式:【Lai, G.; Chang, W.-C.; Yang, Y.; and Liu, H. 2018. Modeling long-and short-term temporal patterns with deep neural networks. In ACM SIGIR 2018, 95–104. ACM.】
3. LSTMa
引用格式:【Bahdanau, D.; Cho, K.; and Bengio, Y. 2015. Neural Machine Translation by Jointly Learning to Align and Translate. In ICLR 2015.】
- 原理博客1: 【论文笔记】Neural Machine Translation by Jointly Learning to Align and Translate
- 原理博客2: 论文阅读:《Neural Machine Translation by Jointly Learning to Align and Translate》
3. 卷积神经网络
1. TCN
- 原理代码博客1: TCN-时间卷积网络
- 原理博客2: 时间卷积网络TCN:时间序列处理的新模型
- 原理代码博客3: 【2020】时间卷积网络(TCN)论文解读
- 原理代码博客4: 机器学习进阶之 时域/时间卷积网络 TCN 概念+由来+原理+代码实现