seriesnet论文读后感

1. 时间序列

时间序列的特点：

• 高维度
• 具有时间依赖性

时间序列根据时间点的抽样变量数分为：

• 单变量时间序列
• 多变量时间序列

2. 经典时间序列预测

2.1 经典的时间序列预测模型

1. 基于autoregression（AR）自回归模型

   1). autoregression(AR) 模型
   特点：是一个随机过程 ；输出变量与前值和随机条件呈线性关系

   2). moving average(MA) 和 autoregressive moving average(ARMA)
   缺点：不适用于non-stationary(非稳态) 的时间序列

   2). Autoregressive Integrated Moving Average (ARIMA) 模型
   通过多次微分步骤使得时间序列稳定，但放大了时间序列中的高频噪声，影响预测准确率。

   3). Autoregressive Integrated Moving Average model with exogenous inputs model (APRIMAX)
   基于ARIMA模型的改进。

2. 基于SVM的预测模型

   1). support vector regression （SVR）
   将采样从原始空间映射到高维空间，然后构建一个线性决策函数达到线性回归。
   当时间序列复杂时，实验表现比ARIMA好。

   2). Least sqares support vectors machines( LS_SVM)
   改变SVM目标函数的约束条件。