求职浅谈时间序列

最新推荐文章于 2025-05-20 18:48:18 发布

AI蜗牛车

最新推荐文章于 2025-05-20 18:48:18 发布

阅读量1.8k

点赞数 2

文章标签：运维大数据机器学习人工智能 java

本文链接：https://blog.csdn.net/qq_33431368/article/details/121528404

版权

前言

开源时间序列，时空序列也有几年了吧，陆陆续续收到各种朋友的支持和认可，总是在各个平台，都有这样的声音。

咱做这个方向最后工作到底做什么啊？去公司哪个部门合适昂？

对于付出，每个人都在追求付出的结果，也就是扪心自问，自己的付出到底值不值，每个人都想追寻那个最优解，对于学算法的同学来说，学习这个方向是否需求量大，是否有需求，是否值得学习，更简单直接的问法：学习这个方向到底好不好找工作，好不好搞钱，是个偶尔会想起来问问自己的问题。

因为本身我是做这个方向的，其实我对这个方向也做了小一段时间，虽然说不上什么专家，牛逼人士，但是起码是个爱分享的开源者，所以我准备在这里分享下这个事情，一来是以后别人再问我，直接把这篇文章甩过去，省得大家互相的时间，二来也算是做个总结。

这个话题我大概会用几篇文章来通俗易懂的，尽量全面的浅谈，几篇文章我的想法是，时间序列，时空序列，数据挖掘，机器学习等用几篇文章来说。

对于时间序列大致三个问题：

我们应该投递公司什么岗位？
我们具体可以目标在公司哪些部门？（相对match）
我们具体可能会接触什么业务背景？（时间序列只是个方向，用在什么背景下，实则还是有很多需求的不同）

一、我们应该投递公司什么岗位？

一般来说，如果是时间序列方向，我推荐各位投递机器学习算法岗。

对于计算机视觉，推荐算法，以及自然语言处理来说，基本上各家公司都是有专门的岗位设置，这三类，基本上属于比较统一的大方向了，其次还有强化学习，强化学习基本上主要在无人驾驶和游戏公司/部门存在。

对于机器学习算法岗位，其实也是涵盖以上的各种方向，这可能就是互联网的一种特性，其实和你的岗位投递关系不大，对于算法来说，你以后从事的方向，很大概率取决于你面试部门是什么方向，这个方向你是否能接受，你最终是否拿到并接受了这个offer。

就拿我身边很多朋友来讲，其实大家基本上投递岗位后，方向也有很多（主要也是背景不同），还有比较重要的一点，就是方向其实有很多通性。

但为了尽量match，match的好处是级别更高，薪资更高，offer等级更高的概率更大，并且方向肯定是你想走的方向。

一般来说，我还没发现有互联网公司把时间序列单独拿出来单列一个方向，我个人觉得原因有以下几点：

岗位需求确实没有搜广推，nlp那么多
一般来说时间序列并非一个大的工作范围，很可能是很多工作中的一环
由于第二点，引出第三点，业务背景多样，一般倾向于找到基础好，能力强的来培养，能找到match的就赚了，找不到也正常。

2. 我们具体可以目标在公司哪些部门？（相对match）

3. 我们具体可能会接触什么业务背景？（时间序列只是个方向，用在什么背景下，实则还是有很多需求的不同）

以上两个问题，一同说明，虽然是两个问题，但两者有非常紧密的关系

一般来说时间序列的业务背景主要在

交通
气象
流量
金融
指标

对于交通而言，其实有很多时间序列的预测部分，但最近的话，基本上都往时空上靠了，但还是会涉及一些时间序列的预测，我个人觉得就应该更加采用时空的方式来共同决定任务的结果，毕竟交通而言，空间的作用也非常之大，那么引出对于公司来说，其实最主要是智能交通，城市计算等，那么我们更加深化这个业务背景，目前存在于互联网公司中主要以打车，共享单车，地图等等方式存在，但其中打车和地图的业务可能更倾向于时空，其实不深入的了解，很多都是表层，之前和对应的部门技术leader深入聊过这方面的问题，就打车而言，定价、如何预测某个地区点的需要打车的客户量也是十分重要的环节。

总结一下，这里只是简单列举一些部门，大家可以补充：

阿里高德
百度地图
腾讯地图
美团智能交通（包括打车）
京东智能城市研究院（郑宇团队，估计做时序的大家都不陌生吧）
滴滴打车

对于气象而言，如果把时空这块扣掉的话，主要是对每个站点的obs（观察的真实气象数据做未来一段时间的预测，大多是温度或者降水量），比如也有很多比赛可以参考，例如下面的这个方案可以参考，代码也可以当作入门来看，还是很不错的，作者是我日常会技术交流的一位朋友，目前在某大厂做时间序列。

AI Challenger 2018 Weather Forecasting - 1st Place Solution

https://github.com/fengyang95/AIC_Weather_Forecasting

其实气象的玩法也比较多了，光就时间序列而言，主要是obs的预测，以及如何把模式数据（一种比较传统但十分强大稳定的方式预测结果）进行比较好的融合。

但这方面如果不说时空，只说时序，现在互联网大厂在做的还是有些少的，可能都是在比较辅助的做，如果涉及气象AI这块互联网公司部门主要有。

微软工程院STCA bing下有一个团队做这方面，但偏时空
阿里达摩院视觉团队这个偏CV
彩云天气（气象AI公司）偏时空
佳格天地（气象AI公司）偏时空

对于流量而言，一般来说，都是流量预测任务，主要的背景可能是搜广推下的流量预测比如广告流量预测，或者平台的流量预测，本质上都是单变量，或者多变量的时间序列预测问题。

这一类基本上也都属于为其他任务辅助的一环，其实我个人而言也是因为很多朋友才知道这个隐藏的小方向，主要的部门是（这方面相对来说比较少，可能也不是长期做，这个项目是这个需求，下一个可能也不做这方面了），列举一下我知道有这方面需求的部门，

阿里妈妈（偏广告流量预测）
蚂蚁（偏金融水位预测等等）

对于金融而言，这个基本上指的就是量化，这个具体工作内容我其实个人不是那么清楚，刚开始知道这个需求很大，也是因为总有量化的公司联系我看是否看看那边的机会，但我个人并没那么大兴趣，一来感觉自己没那个能力，其次没有多少证券金融等等知识基础。涉及得公司大多都是证券类，量化类的公司，这方面我个人来说还是认识浅薄，知道的可以补充。

幻方量化（大家估计对量化这个还比较陌生，但是这个领域需求还是挺大的，并且门槛可能要更高，有兴趣的可以去幻方的杭州AI lab看看招聘JD）
龙旗科技

对于指标而言，一般论文里会把指标称为metric或者KPI，这方面我最近一段时间研究略多，可以和大家多介绍一些，对于这种指标类的，其实和流量类有一些联系和区别，联系在于流量也可以称之为一种指标，而区别在于，如果把指标单个拿出来作为方向，其实更多应用的并非预测，而是异常检测，如果就算是利用到了预测，其实也是为了更好的异常检测。

这个方向一般来说，大家喜欢称之为AIOps.

其实就是智能运维，之后我可能会有数年在这个领域下进行深耕，如果大家有兴趣我可以浅谈一些这方面的内容。

一般来说智能运维的场景，大多数分布式，大数据的平台下的运维，背景主要是银行或者云计算的场景，因为在此类场景下，如果手动的去进行运维，其实花费的时间是巨大的，并且会有很多on call的麻烦，并且系统的复杂会加大运维的难度，那话说回来，指标预测或者异常检测在哪里呢？

主要是对于机器级别的指标的异常检测，机器细分的话可能存在上百个，几十个指标，这些指标互相还有某种联系，所以这里可以衍生到多变量的时间序列的关系，或者异常检测，现在还有用graph去尝试解决的，但这类问题检测到异常可能只是第一步，最重要的是找到多条时序以及多模态之间的关系，找到最终的root cause（也就是根因分析，找到最终导致异常的原因）。

能去的地方大多是金融相关，银行公司，基础架构或者云计算的地方。