作者归档 | Jason Brownlee

直接使用 LSTM 进行时间序列预测的成功率很低。这令人惊讶，因为众所周知，神经网络能够学习复杂的非线性关系，而 LSTM 可能是最成功的一种循环神经网络，能够直接支持多元序列预测问题。Uber 最近的一项研究 [...]

机器学习和深度学习方法通常被认为是解决所有预测建模问题的关键。一项重要的新研究评估并比较了许多经典和现代机器学习及深度学习方法在超过 1000 个单变量时间序列预测问题上的性能。该 [...]

深度学习神经网络能够自动从原始数据中学习和提取特征。神经网络的这一特性可用于时间序列预测问题，模型可以直接在原始观测值上进行开发，而无需直接使用归一化和标准化进行数据缩放，或者对数据进行 [...]

简单的预测方法包括将最后一个观测值作为预测值，或者使用先前观测值的平均值。在采用更复杂的方法之前，评估简单预测方法在单变量时间序列预测问题上的性能很重要，因为它们的性能提供了下限和比较点，可用于 [...]

季节性自回归积分移动平均模型（SARIMA）是一种用于建模可能包含趋势和季节性成分的单变量时间序列数据的模型。它是一种有效的时间序列预测方法，尽管它需要仔细的分析和领域专业知识才能配置七个或更多的模型超参数。一种替代方法 [...]

指数平滑是一种用于单变量数据的时序预测方法，可以扩展以支持具有系统性趋势或季节性成分的数据。通常的做法是使用优化过程来查找模型超参数，从而为给定的时间序列找到性能最佳的指数平滑模型 [...]

现实世界中的时间序列预测面临着各种挑战，这些挑战不仅限于问题的特征，例如具有多个输入变量、需要预测多个时间步长，以及需要对多个物理站点执行相同类型的预测。EMC Data Science Global Hackathon 数据集，或“空气质量 [...]

现实世界中的时间序列预测面临着各种挑战，这些挑战不仅限于问题的特征，例如具有多个输入变量、需要预测多个时间步长，以及需要对多个物理站点执行相同类型的预测。EMC Data Science Global Hackathon 数据集，或“空气质量 [...]

现实世界中的时间序列预测面临着各种挑战，这些挑战不仅限于问题的特征，例如具有多个输入变量、需要预测多个时间步长，以及需要对多个物理站点执行相同类型的预测。EMC Data Science Global Hackathon 数据集，或“空气质量 [...]

现实世界中的时间序列预测面临着各种挑战，这些挑战不仅限于问题的特征，例如具有多个输入变量、需要预测多个时间步长，以及需要对多个物理站点执行相同类型的预测。EMC Data Science Global Hackathon 数据集，或“空气质量 [...]