长短期记忆网络（简称 LSTM）可应用于时间序列预测。有多种 LSTM 模型可用于每种特定类型的时间序列预测问题。在本教程中，您将了解如何为一系列标准时间 [...] 开发一套 LSTM 模型。

卷积神经网络模型（简称 CNN）可应用于时间序列预测。有多种 CNN 模型可用于每种特定类型的时间序列预测问题。在本教程中，您将了解如何为一系列标准时间 [...] 开发一套 CNN 模型。

多层感知机（简称 MLP）可应用于时间序列预测。使用 MLP 进行时间序列预测的一个挑战在于数据的准备。具体来说，滞后观测值必须展平为特征向量。在本教程中，您将了解如何为一系列 [...] 开发一套 MLP 模型。

时间序列数据在使用监督学习模型拟合之前，必须转换为具有输入和输出组件的样本结构。如果您必须手动执行此转换，可能会很困难。Keras 深度学习库提供了 TimeseriesGenerator 来自动转换单变量和多变量时间 [...]。

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 可能是最成功的能够直接支持多变量序列预测问题的循环神经网络类型。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所有预测建模问题的关键解决方案。一项重要的新研究对 1000 多个单变量时间序列预测问题进行了大规模、多样化的评估和比较，评估了许多经典和现代机器学习及深度学习方法的性能。该 [...]。

深度学习神经网络能够从原始数据中自动学习和提取特征。神经网络的这一特性可用于时间序列预测问题，其中模型可以直接在原始观测值上开发，而无需直接使用归一化和标准化来缩放数据，或制作数据 [...]。

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。在使用更复杂的方法之前，对单变量时间序列预测问题上的简单预测方法的性能进行评估很重要，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方法。它是时间序列预测的有效方法，尽管需要仔细分析和领域专业知识才能配置七个或更多模型超参数。一种替代方法 [...]。