时序预测经典算法

卡榕wua

已于 2022-05-17 20:44:38 修改

阅读量543

点赞数

分类专栏：时序预测模型文章标签：算法

于 2022-05-17 20:41:29 首次发布

本文链接：https://blog.csdn.net/Xuyucf/article/details/124788668

版权

时序预测模型专栏收录该内容

2 篇文章 1 订阅

订阅专栏

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
一、传统统计方法
二、深度学习方法
三、基于注意力的方法
- 1. Transformer
总结

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
原理博客2: 手把手教你用Prophet快速进行时间序列预测（附Prophet和R代码）
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
论文链接：https://peerj.com/preprints/3190/
源码链接：https://github.com/facebook/prophet
官方网站：https://facebook.github.io/prophet/
更加详细解释：https://www.zhihu.com/question/56585493

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.】