基于RNN的时序预测
基于LSTM的时序预测：
输入数据时 输入的
y
t
y_t
yt?和
x
t
+
1
x_{t+1}
xt+1?之间存在一个时间差。
DeepAR 和 MQRNN 都可以实现时序预测，而MQRNN基于 encoder-decoder架构。
基于CNN的时序预测
WaveNet可以实现时序预测：
经验
不同颗粒度
周别/月别
周别/月别 一般都存在 以年为单位的周期性。
历史数据比较短，使用简单的ETS,arima算法
数据较长，而且时间序列较少，推荐Prophet（单条预测）
数据较长，而且时间序列较多，推荐 机器学习，深度学习（批量预测）【包含 近期的数据 和 上一周期相同位置的数据】
天别
周期性： 双重周期： 周为单位，年为单位
Prophet， 机器学习，深度学习
分钟，小时别
sub daily data
三重周期性： 天 ，周，年 三重周期
如果对于小时别预测精度不高，但是对于日别，周别的预测精度更高，可以先考虑天别，再按比例简单拆分到天。
保证预测结果在设定范围内
保证结果 是整数 ； 结果大于0； 在一定区间范围内
- 整数： 四舍五入 / 深度学习：负二项分布；泊松分布
- 结果大于0： clip设置； 先预测z = log(y), 转化为： y=exp(z) ； 深度学习中将输出层激活函数设置为ReLU
- 区间范围内： clip; 先预测 z = l o g ( y ? a b ? y ) z=log(\frac{y-a}{b-y}) z=log(b?yy?a?)，再预测 y = ( b ? a ) e z 1 + e z + a y=\frac{(b-a)e^z}{1+e^z}+a y=1+ez(b?a)ez?+a ;深度学习中 使用 sigmoid作为激活函数， 设置 比例项 和 偏置项。
异常值，缺失值处理
识别异常值
- 3 σ 3 \sigma 3σ方法： 只适用于 没有外部变量影响，周期性波动较弱的时间序列
- STL分解， 用于没有外部变量影响的时间序列
- 使用数据训练模型，使用模型拟合 训练集，将误差过大的数字设置为 异常值。
处理
- 直接删除，针对于Prophet, 机器学习算法
- 均值替代： 没有外部变量影响，季节性波动较弱的时间序列
- 使用Prophet进行拟合，填充异常值，缺失值