Time-Series Forecasting Methods: A Review
摘要：时间序列预测技术对于通过分析过去趋势来预测未来值至关重要。这些技术假设未来趋势将与历史趋势相似。预测涉及使用基于历史数据的模型来预测未来值。时间序列模型具有广泛的应用，从天气预报到销售预测，并且是最有效的预测方法之一，尤其是在做出涉及未来不确定性的决策时。为了评估预测准确性并比较适合时间序列的模型，本研究使用了三个性能指标：平均绝对误差 (MAE)、均方误差 (MSE) 和均方根误差 (RMSE)。
ARIMA: A Model to Predict Time Series Data
了解 ARIMA 模型的工作原理以及如何在 Python 中实现它们以实现准确预测继续阅读 Towards Data Science »
Time Series — From Analyzing the Past to Predicting the Future
如何通过时间序列从过去中学习。继续阅读 Towards Data Science »
Efficient Source-Free Time-Series Adaptation via Parameter Subspace Disentanglement
对个性化和隐私设备应用程序的不断增长的需求凸显了无源无监督域自适应 (SFDA) 方法的重要性，尤其是对于时间序列数据，其中个体差异会产生较大的域偏移。随着传感器嵌入式移动设备变得无处不在，优化 SFDA 方法以提高时间序列环境中的参数利用率和数据样本效率变得至关重要。时间序列中的个性化对于适应个人用户的独特模式和行为至关重要，从而提高预测的相关性和准确性。在此...
Backtesting with Skforecast: Time Series Forecasting in Python
为什么重要：使用 Skforecast 进行回测的综合指南：确保使用 Python 进行可靠的时间序列预测
Generalizable Autoregressive Modeling of Time Series Through Functional Narratives
时间序列数据本质上是时间的函数，但当前的 Transformer 通常通过将时间序列建模为时间段的简单连接来学习时间序列，而忽略了它们的功能属性。在这项工作中，我们为 Transformer 提出了一个新的目标，即通过将时间序列重新解释为时间函数来学习时间序列。我们通过在功能空间中构建不同强度的退化算子来构建时间序列的替代序列，从而创建原始样本的增强变体，这些变体被抽象或简化到不同的程度。基于新的...
TimesFM: The Boom of Foundation Models in Time Series Forecasting
探索 Google 的最新 AI 模型如何使用超过 3070 亿个数据点实现零样本预测准确度继续阅读 Towards Data Science »
Differentiate Noisy Time Series Data with Symbolic Regression
如果数据稀缺，则逐步示例说明如何得出嘈杂的时间序列概况继续阅读 Towards Data Science »
在本文中，我们演示了如何使用 Amazon Managed Service for Apache Flink 和其他 AWS 托管服务为流式传输时间序列数据构建强大的实时异常检测解决方案。
Neural Network (MLP) for Time Series Forecasting in Practice | by Daniel J. TOTH | Jul, 2024
时间序列，更具体地说是时间序列预测，是专业人士和商业用户中非常熟悉的数据科学问题。存在几种预测方法，为了便于理解和更好地概述，可以将其归类为统计或机器学习方法，但事实上，对预测的需求如此之高，Daniel J. TOTH 于 2024 年 7 月发表的《神经网络 (MLP) 在时间序列预测中的应用》一文首次出现在 AI Quantum Intelligence 上。
Neural Network (MLP) for Time Series Forecasting in Practice
特征工程和构建 MLP 模型的实用示例简介时间序列，更具体地说是时间序列预测，是专业人士和商业用户中非常著名的数据科学问题。存在几种预测方法，为了理解和更好的概述，可以将其归类为统计或机器学习方法，但事实上，对预测的需求如此之高，以至于可用的选项非常丰富。机器学习方法被认为是时间序列预测中最先进的方法，并且越来越受欢迎，因为它们能够捕捉数据中复杂的非线性关系，并且通常可以提高预测的准确性 [1]。一个流行的机器学习领域是神经网络领域。具体来说，对于时间序列分析，循环神经网络已被开发并应用于解决预测问题 [2]。数据科学爱好者可能会发现此类模型背后的复杂性令人生畏，作为你们中的一员，我可以说我也
Exploring the Latest Advances in Foundation Time-series Models
快速准确地预测新数据 - 无需训练继续阅读 Towards Data Science »
The Ultimate Guide to Finding Outliers in Your Time-Series Data (Part 3)
发现异常值：现在怎么办？治疗方案指南继续阅读 Towards Data Science »
NOAA 最新的全球时间序列月平均气温异常数据下降趋势清楚地表明，地球并没有经历任何类似于“气候紧急情况”的事情，这与气候科学数据没有支持、纯粹出于政治动机的气候警报炒作相反。
Time Series Are Not That Different for LLMs
利用 LLM 的力量进行时间序列建模基础模型推动了计算语言学和计算机视觉领域的最新进步，并在人工智能 (AI) 中取得了巨大成功。成功的基础模型的关键思想包括：海量数据：庞大而多样的训练数据涵盖了全面的分布，使模型能够近似任何潜在的测试分布。可转移性：记忆和回忆所学信息的机制，例如提示 [1] 和自我监督的预训练 [2]，使模型能够有效地适应新任务。在 LLM 成功之后，时间序列基础模型的开发变得更加密集。图片来自论文 https://arxiv.org/pdf/2403.14735.大型时间序列基础模型 (LTSM)随着基础模型在计算语言学领域的成功，越来越多的研究工作旨在在另一种类型的序列
将零样本预测应用于标准机器学习模型 照片由 David Menidrey 在 Unsplash 上拍摄 生成式人工智能和大型语言模型 (LLM) 的兴起让全世界着迷，在各个领域掀起了一场革命。虽然这种技术的主要焦点是文本序列，但现在人们开始进一步关注 GenAI 时代的时间序列预测：让梯度提升的行为像 LLM | 作者 Marco Cerliani | 2024 年 7 月首次出现在 AI Quantum Intelligence 上。
Time Series Forecasting in the Age of GenAI: Make Gradient Boosting Behaves like LLMs
使用标准机器学习模型应用零样本预测继续阅读 Towards Data Science »
Time Series Regression Analysis with Chat GPT4
下图是我在 Pantheon Macroeconomics 担任首席欧元区经济学家期间日常使用的数百张图表之一。它绘制了德国新制造业订单调查的标准化 Z 分数指数，以及工厂订单（不包括主要订单）的同比增长。有必要阐明这张图表在经济研究和预测领域的含义。工厂订单数字是所谓的硬数据，在这种情况下，这意味着它们是统计局报告的实际活动的官方数字。相比之下，PM 新订单指数是我自制的所谓软数据指数。具体来说，这些是调查数据，由欧盟委员会、IFO、标准普尔和国家统计局等机构编制。我们对这些数字的兴趣只在于它们能告诉我们一些关于官方/硬新订单数据的信息，而这些数据反过来又可以帮助我们确定工业生产、出口、GD
