归档 | 时间序列

随机森林是一种流行且有效的集成机器学习算法。它广泛用于结构化（表格）数据集的分类和回归预测建模问题，例如电子表格或数据库表中的数据。随机森林也可用于时间序列预测，尽管它要求将时间序列[…]

时间序列预测可能具有挑战性，因为有许多不同的方法可以使用，而且每种方法都有许多不同的超参数。Prophet 库是一个开源库，旨在为单变量时间序列数据集进行预测。它易于使用，旨在自动为[…]找到一组好的超参数。

在使用 ARIMA 等经典方法对时间序列进行建模时，方差或波动性随时间的变化可能会导致问题。ARCH（自回归条件异方差）方法提供了一种对时间序列中随时间变化的方差进行建模的方法，例如波动性的增加或减少。这种方法的扩展[…]

指数平滑是一种用于单变量数据的时间序列预测方法，可以扩展以支持具有系统性趋势或季节性成分的数据。它是一种强大的预测方法，可以作为流行的 Box-Jenkins ARIMA 系列方法的替代方案。在本教程中，您将了解指数平滑[…]

自回归积分移动平均（ARIMA）是单变量时间序列数据预测中最广泛使用的预测方法之一。尽管该方法可以处理带有趋势的数据，但它不支持具有季节性成分的时间序列。ARIMA 的一个扩展，支持直接对季节性成分进行建模[…]

让我们深入探讨如何使用机器学习方法来解决 Python 中的时间序列分类和预测问题。但首先，让我们回顾并欣赏经典方法，我们将深入研究一套经典的时间序列预测方法，您可以在探索[…]之前在您的预测问题上测试这些方法。

现实世界的时间序列预测具有挑战性，原因有很多，包括问题特征，如具有多个输入变量、需要预测多个时间步以及需要为多个物理站点执行相同类型的预测。在这篇文章中，您将发现一个标准化但复杂的时间[…]

像深度学习这样的机器学习方法可以用于时间序列预测。在使用机器学习之前，必须将时间序列预测问题重新构建为监督学习问题。从一个序列到成对的输入和输出序列。在本教程中，您将了解如何转换单变量和多变量时间序列预测[…]

在时间序列问题上，通常使用持续性或朴素预测作为初步预测。对于具有季节性成分的时间序列数据，更好的初步预测是沿用上一季同一时间的观测值。这被称为季节性持续性。在本教程中，您将学习如何[…]

在时间序列预测问题上建立一个强有力的性能基准非常重要，不要自欺欺人地认为复杂的方法就一定有效，而实际上并非如此。这需要您评估一套标准的朴素或简单的时间序列预测模型，以了解[…]