时间序列预测

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