时间序列-预测：概述【Time Series Forecasting (TSF) 】【时间序列既可以做回归任务，也可以做分类任务】【预测是回归问题，不是分类问题】

多元时间序列 (Multivariate time series MTS)的 预测广泛应用于气象和交通等各个领域。

由于数据收集、传输和存储的限制，现实世界的 MTS 数据通常包含缺失值，使得应用现有的 MTS 预测模型（如线性回归和循环神经网络）变得不可行。

尽管已经针对这个问题进行了许多努力，但其中大多数仅依靠局部依赖性来估算缺失值，而忽略了全局时间动态。

当缺失率很高，或者数据有连续缺失值时，局部依赖/模式将变得不那么有用；因此同时探索全局模式可以缓解此类问题。

因此，联合建模局部和全局时间动态对于具有缺失值的 MTS 预测非常有用。

因此这篇论文通过联合探索局部和全局时间动态来研究具有缺失值的 MTS 预测的新问题。

文中提出了一个新的框架 LGnet，它从局部视角的估计中利用记忆网络来探索全局模式。

文中进一步引入对抗性训练来增强全局时间分布的建模。

在真实世界数据集上的实验结果表明 LGnet 对缺失值的 MTS 预测的有效性及其在各种缺失率下的鲁棒性。

GitHub项目

GitHub项目01：ChuanyuXue/The-Purchase-and-Redemption-Forecast-Challenge-baseline

---

---

---

参考资料：
时间序列预测@Joint modeling of local and global temporal dynamics for multivariate time series forecast…
基于LSTM的股票预测模型_python实现_超详细
关于时间序列预测的一些总结
时序预测的三种方式：统计学模型、机器学习、循环神经网络