时间序列预测

有关时间序列预测的打包好的框架

时间序列有关的库：PyFlux库

前期处理数据的方法总结

特征工程

包括随机森林、相关系数（pearson、Spearman等级相关系数、灰色关联度、最大信息系数、信息熵等）、递归建立模型等进行特征提取。（特征提取的越好，模型一般来说更简单，并且效果更好。）

预测的输入和输出的形式

机器学习和统计的方法一般来说，只能多输入对单输出。
而深度学习的方法可以做到多输入对多输出。

1. 单维单步（前2步预测一步）
   以取5个样本（用LSTM预测）为例：训练集样本（5,2,1）[samples,timesteps(步数）,features（维度）]，训练集标签（5,1）。
2. 单维多步（前两步预测后两步）
   以取5个样本（用LSTM预测）为例：训练集样本（5,2,1）[samples,timesteps(步数）,features（维度）]，训练集标签（5,2）。
3. 多维单步（前三步预测一步）
   以取5个样本（用LSTM预测）为例：训练集样本（5,3,2）[samples,timesteps(步数）,features（维度）]，训练集标签（5,2）。
4. 多维多步（前三步预测两步）
   以取5个样本（用LSTM预测）为例：训练集样本（5,3,2）[samples,timesteps(步数）,features（维度）]，训练集标签（5,2,2）。（由于最后的输出是一个全连接层，所以最多只能是一个二维的矩阵，所以在预测之前三维转化成二维，在预测之后把二维转化为三维）

缺失值

线性插值、拉格朗日插值等

异常值

孤立森林、自编码器等识别异常值的方法

统计方法

SARIMA、VAR等。

机器学习

随机森林、树模型（XGBOOST、lightGBM、RF等）、SVR回归。

深度学习

样例：CNN+BiLSTM+Attention的多维（多变量）时间序列预测

还有一些比较前沿的方法

LSTF、Autoformer、FEDformer、NBEATS等模型。

模型的调参

1、网格搜索
2、自动化的调参框架(感觉optuna和flaml比较好）：

1. 微软AutoML框架之FLAML
2. AutoGLuon

3、经验等

参考文献：LSTM进阶：使用LSTM进行多维多步的时间序列预测

还有一些已经大家已经造好的轮子(可以在github上直接搜到，很方便，里面集成了很多模型）：
比如pytorch-forcasting、Darts等都非常好用，可以快速上手。