[深度学习项目] - 时间序列预测 (5)[待补充]

基于RNN的时序预测

基于LSTM的时序预测：
输入数据时 输入的$y_t$和$x_{t+1}$之间存在一个时间差。

DeepAR 和 MQRNN 都可以实现时序预测，而MQRNN基于 encoder-decoder架构。

基于CNN的时序预测

WaveNet可以实现时序预测：

经验

不同颗粒度

周别/月别

周别/月别 一般都存在 以年为单位的周期性。

历史数据比较短，使用简单的ETS,arima算法
数据较长，而且时间序列较少，推荐Prophet（单条预测）
数据较长，而且时间序列较多，推荐 机器学习，深度学习（批量预测）【包含 近期的数据 和 上一周期相同位置的数据】

天别

周期性： 双重周期： 周为单位，年为单位

Prophet， 机器学习，深度学习

分钟，小时别

sub daily data
三重周期性： 天 ，周，年 三重周期

如果对于小时别预测精度不高，但是对于日别，周别的预测精度更高，可以先考虑天别，再按比例简单拆分到天。

保证预测结果在设定范围内

保证结果 是整数 ； 结果大于0； 在一定区间范围内

1. 整数： 四舍五入 / 深度学习：负二项分布；泊松分布
2. 结果大于0： clip设置； 先预测z = log(y), 转化为： y=exp(z) ； 深度学习中将输出层激活函数设置为ReLU
3. 区间范围内： clip; 先预测$z=log(\frac{y-a}{b-y})$，再预测$y=\frac{(b-a)e^z}{1+e^z}+a$ ;深度学习中 使用 sigmoid作为激活函数， 设置 比例项 和 偏置项。

异常值，缺失值处理

识别异常值

1. $3\sigma$方法： 只适用于 没有外部变量影响，周期性波动较弱的时间序列
2. STL分解， 用于没有外部变量影响的时间序列
3. 使用数据训练模型，使用模型拟合 训练集，将误差过大的数字设置为 异常值。

处理

1. 直接删除，针对于Prophet, 机器学习算法
2. 均值替代： 没有外部变量影响，季节性波动较弱的时间序列
3. 使用Prophet进行拟合，填充异常值，缺失值