时间序列预测

概述

时间序列预测是根据过去的时间序列数据预测未来值的一种统计分析方法，广泛应用于金融、气象、销售预测等领域。

关键内容

1. 传统方法：
2. ARIMA模型：差分整合移动自回归模型，适用于平稳时间序列
3. 指数平滑法：包括简单指数平滑、Holt双参数指数平滑等

4. 季节性分解：分离趋势、季节性和随机成分进行预测

5. 现代方法：

6. 深度学习模型：LSTM、GRU等循环神经网络
7. Transformer架构：自注意力机制捕捉长期依赖关系

8. DLinear模型：简单线性模型，质疑复杂Transformer的有效性

9. 预测策略：

10. 迭代多步预测(IMS)：一次只预测一步，循环使用预测结果
11. 直接多步预测(DMS)：一次性输出未来所有时间步的预测值

来源

• Time Series Analysis — 基础理论来源
• ../raw/books/时间序列分析/16-dlinear-2023-are-transformers-effective.md — 现代发展

相关

• Time Series Analysis — parent_concept
• DLinear: Are Transformers Effective for Time Series Forecasting — recent_development
• ARIMA Models — traditional_method
• LSTM模型 — modern_method
• PatchTST：一段时间序列值 64 个词 —— Transformer 的绝地反击 — recent_advancement