时间序列预测
时间序列建模面临的最直接的问题是:用多少时间步的历史数据预测未来多少时间步的未来数据,即时间窗问题
分为多步预测(预测未来多个时间节点)和单步预测(只预测下一个时间节点)
深度学习的滞后性
链接: https://blog.csdn.net/u011698800/article/details/107607277
对于滞后性可能的解决办法:
1)对序列(数据)进行平稳
2)样本数量增大
3)改变窗口的大小还有调整网络结构
但是仍有人说是因为误差,(不止一次见到这个说法),模型严重欠拟合,会拿当前时刻的数据直接作为下一个时刻的预测数据。图形上看是滞后,其实是预测误差。
滞后特征
一般是用滞后特征来训练模型,也就是当前时刻之前的数据
链接: https://zhuanlan.zhihu.com/p/308764952
周期约接近当前时间点的滞后特征预测效果越好,间隔时间越长效果越差。
预测方法
链接: https://zhuanlan.zhihu.com/p/390093091
有直接法、递归法和两者的混合法
时间序列分解
时间序列是一组按照时间发生先后顺序进行排列,并且包含一些信息的数据点序列,在时间序列数据中通常包含了数据的发展趋势(向上、向下、保持)和数据的变化规律(季节性)等特征。而这些特征往往具有一定的规律性和可预测性,具体来说时间序列数据具有如下几种特点:
趋势性:某个变量随着时间进展或自变量变化,呈现一种比较缓慢而长期的持续上升、下降、保存不变的趋向,但变动幅度可能不相等。
季节性:某因素由于外部影响如随着自然季节的交替出现高峰与低谷的规律。
随机性:个别时刻呈现随机变动,整体呈统计规律。
链接: https://blog.csdn.net/weixin_42608414/article/details/125850603