时序预测概述
时间序列是一种衡量事物随时间变化的数据类型
需要应用特定的数据预处理和特征工程来处理时序数据
时间序列预测的机器学习方法
学习处理时间序列数据、执行时间序列分析、构建时间序列预测解决方案
在时序预测中,分析时序数据集的历史值,以便理解和预测它们的未来值
已开发的一些深度学习方法应用于单变量时间序列预测场景,其中时间序列由在等时间增量上连续记录的单个观测数据组成,但它们的表现通常不如朴素和经典的预测方法,例如指数平滑法、差分自回归移动平均
不同用途:
时间序列分析是要确定时间序列数据的内在结构并推断其隐藏特征,以便从中获得有用的数据(趋势或者季节变化等)
时间序列预测涉及采用机器学习模型,对历史时间序列数据进行训练,并使用它们进行未来的预测
时间序列分析的主要组成部分:
长期运动或趋势、季节性短期运动、周期性短期运动、随机或不规则波动
数据科学家将前三个称为信号,最后一个称为噪声
平稳性:指时间序列的统计参数不会随时间变化,换句话说,时序数据分布的基本属性如均值和方差不随时间变化
在开始构建预测解决方案之前,建议先定义一下方面:
1.预测模型的输入输出
2.预测模型的粒度级别
3.预测模型的范围
4.预测模型的内、外源性特征
5.预测模型的结构化和非结构化特征
6.预测模型的单变量或多变量性质
7.预测模型的单步或多步结构
8.预测模型的连续或非连续序列值
时间序列预测的监督学习
学习过程步骤:
1.数据输入算法
2.使用数据训练模型
3.测试并部署模型
4.使用部署的模型执行自动化的预测任务
数据科学家通常利用先前时间步值来预测后续时间步值,这种方法被称为滑动窗口法。一旦应用了滑动窗口法并转换时间序列数据,数据科学家就可以利用标准的线性和非线性机器学习方法来对时间序列数据进行建模