时间序列分析 | Python实现时间序列不确定性建模
基本介绍
基础的时间序列预测任务的目标是给定历史序列,预测未来每个时间点的具体值。这种问题定义虽然简单直接,但是也面临着一些问题。在很多应用场景中,我们不仅希望能预测出未来的具体值,更希望能预测出未来取值不确定性,例如一个概率分布或者取值范围。在很多应用场景中,未来的时间序列本身就具有很强的不确定性,如果能预测出一个取值区间,会对业务决策带来更大的帮助,让我们对未来的最好情况和最差情况心里有个数。
对时间序列进行概率分布或区间估计的方法主要有两种,这篇文章给大家详细介绍一下这两种方法,以及采用这两种方法的经典时间序列预测论文。
研究方法
概率分布建模
- 第一种方法是直接对未来时间序列的概率分布进行建模,其中DeepAR: Probabilistic Forecasting with Autoregressive Recurrent Networks(2017)是这种建模方法的典型工作,采用RNN对时间序列进行概率分布建模。首先假设,待预测的时间序列在每个时间步的取值都服从某种分布,DeepAR对于实值时间序列采用高斯分布的假设。因此&