时间序列预测

时间序列通常包含这些组成部分：线性趋势(Trend)，季节变化(Seasonality)，循环变化(Cycle)，不规则变化(Irregularity)

多步预测问题

图片来自：《Temporal Fusion Transformers for Interpretable Multi-horizon Time Series Forecasting》

时间序列预测的基本思路

• 自回归模型
• 循环模型，隐状态模型
• 曲线拟合模型
  
  图片来自《Neural Decomposition of Time-Series Data for Effective Generalization》

从深度学习的角度：CNN, RNN, Attention

图片来自：《Time Series Forecasting With Deep Learning: A Survey》

多步预测的五种策略

可分为单步预测（one-step-ahead）和多步预测（muti-step-ahead）

多步预测的五种策略《Comparison of Strategies for Multi-step-ahead Prediction of Time Series using Neural Network》：

• recursive (or iterated) strategy
  
• direct strategy
  
• combination of both the recursive and direct strategies, called DirREC
  
• the Multi-Input Multi-Output (MIMO) strategy
  
• DirMO strategy
  

常用指标

$\hat{y}$ 为预测值， $y$ 为实际值，$N$ 为预测数：

1. MSE
   $$MSE=\frac{1}{N}\sum _{i=1}^N({\hat{y}}_i-y_i{)}^2$$

2. RMSE
   $$RMSE=\sqrt{\frac{1}{N}\sum _{i=1}^N({\hat{y}}_i-y_i{)}^2}$$

3. NMSE
   $$NMSE=\frac{1}{N\cdot {\sigma }_y^2}\sum _{i=1}^N({\hat{y}}_i-y_i{)}^2$$

4. MAE
   $$MAE=\frac{1}{N}\sum _{i=1}^N|{\hat{y}}_i-y_i|$$

5. MAPE
   $$MAPE=\frac{1}{N}\sum _{i=1}^N\left|\frac{{\hat{y}}_i-y_i}{y_i}\right|$$

6. sMAPE
   symmetric mean absolute percentage error
   $$sMAPE=\frac{1}{N}\sum _{i=1}^N\left|\frac{{\hat{y}}_i-y_i}{({\hat{y}}_i+y_i)/2}\right|$$

7. MASE
   mean absolute scaled error
   $$MASE=\frac{\frac{1}{h}{\sum }_{i=1}^h|{\hat{y}}_i-y_i|}{\frac{1}{l-p}{\sum }_{i=p+1-l}^0|{\hat{y}}_i-y_{i-p}|}$$其中 $l$ 是训练集样本数，$h$ 是预测长度，$p$ 是季节长度