来自 | 知乎 作者 | BINGO Hong

链接 | https://zhuanlan.zhihu.com/p/67832773

已经得到作者授权，仅作学术交流，请勿二次转载

1. 时间序列基本规则法-周期因子法

a. 提取时间序列的周期性特征进行预测

参考：时间序列规则法快速入门 https://www.jianshu.com/p/31e20f00c26f?spm=5176.12282029.0.0.36241491UUhnZE

• 计算周期因子factors

• 计算base

• 预测=base*factors

b. 观察序列，当序列存在周期性时，可以用周期因子法做为baseline

• 在天池竞赛-资金流入流出预测-挑战Baseline-天池大赛-阿里云天池，周期因子可以取得110分+的成绩，排名进500妥妥的。(后面有机会再贴代码)

  挑战baseline比赛链接：https://tianchi.aliyun.com/competition/entrance/231573/introduction?spm=5176.12281949.1003.6.493e24486tbptc

2. 线性回归-利用时间特征做线性回归

a. 提取时间的周期性特点做为特征，此时训练集每条样本为"时间特征->目标值"，时间序列的依赖关系被剔除，不需要严格依赖滑窗截取训练样本。常见是将时间用0-1哑变量表达，有以下若干种特征：

• 将星期转化为了0-1变量，从周一至周天，独热编码共7个变量

• 将节假日转化为0-1变量，视具体节假日数目，可简单分为两类，"有假日"-"无假日"，独热编码共2个变量；或赋予不同编码值，如区分国庆、春节、劳动节等使用1、2、3表示

• 将月初转化为0-1变量，简单分两类表示为"是月初"-"非月初"，共2个特征

• 类似的月中、月初可以转化为0-1变量

• 控制时间粒度，区分是weekday or weekend

b. 观察序列，当序列存在周期性时，线性回归也可做为baseline

• 在天池竞赛-资金流入流出预测-挑战Baseline-天池大赛-阿里云天池，线性回归可以取得100分+的成绩，应该还没到500，多调节下特征就能进去了。

3.传统时序建模方法，ARMA/ARIMA等线性模型。

参考：

• 写给你的金融时间序列分析：基础篇

  https://zhuanlan.zhihu.com/p/38320827

• 自回归/滑动平均阶数判断 Identifying the orders of AR and MA terms in an ARIMA model（https://people.duke.edu/~rnau/411arim3.htm）列举了11条一般原则，其中提到：

• • 差分方法可消除正相关但同时引入负相关

  • AR项可消除正相关，MA项消除负相关

  • AR项和MA项作用会相互抵消，通常包含两种要素时可尝试减少某项，避免过拟合

4.时间序列分解，使用加法模型或乘法模型将原始序列拆分为4部分。

a. 拆分为4部分：长期趋势变动T、季节变动S(显式周期，固定幅度、长度的周期波动)、循环变动C(隐式周期，周期长不具严格规则的波动)和不规则变动I。参考：

• 时间序列分解法 - MBA智库百科（https://wiki.mbalib.com/wiki/时间序列分解法）

• 时间序列分解（https://www.jianshu.com/p/e6d286132690）

b. 乘法模型中SCI均为比例，加法模型中SCI与T有相同量纲。

c. 循环变动C较为复杂，短期不体现或归入趋势变化中。

d. 两类平滑方法：

• 以滑动平均作为平滑方法提取趋势的seasonal_decompose朴素分解。statsmodels.tsa.seasonal.seasonal_decompose（https://www.statsmodels.org/dev/generated/statsmodels.tsa.seasonal.seasonal_decompose.html#statsmodels.tsa.seasonal.seasonal_decompose）

• 以鲁棒局部加权回归作为平滑方法的STL分解。statsmodels.tsa.seasonal.STL

e. 季节性分析。数据中有季节性因素，与整体趋势相比显得比较弱。原文: Investigating Seasonality in a Time Series: A Mystery in Three Parts (https://data.blog/2018/07/24/investigating-seasonality-in-a-time-series-a-mystery-in-three-parts/)；中文：干货 | 季节性的分析才不简单，小心不要在随机数据中也分析出季节性

f. 在天池竞赛-资金流入流出预测-挑战Baseline-天池大赛-阿里云天池，时间序列分解方法也能取得很好的成绩。(后面有机会试试这种方法)

• 【天池大数据赛题解析】资金流入流出预测（附Top4答辩ppt） - 止战 - 博客园（https://www.cnblogs.com/zhizhan/p/4868411.html）

5. 特征工程着手，时间滑窗改变数据的组织方式，使用xgboost/LSTM模型/时间卷积网络等。

参考：

• kaggle商品销量预测1st的思路：特征工程+LGBM/LSTM， 1st place solution | Kaggle （https://www.kaggle.com/c/favorita-grocery-sales-forecasting/discussion/47582）

• kaggle商品销量预测5th的思路：特征工程+LGBM/CNN-DNN/seq2seq，5th Place Solution | Kaggle （https://www.kaggle.com/c/favorita-grocery-sales-forecasting/discussion/47556）

6. 转化为监督学习数据集，使用xgboot/LSTM模型/时间卷积网络/seq2seq(attention_based_model)。

参考：

• 如何用Python将时间序列转换为监督学习问题 - 云+社区 - 腾讯云

  https://cloud.tencent.com/developer/article/1042809

• Keras中带LSTM的多变量时间序列预测 - 云+社区 - 腾讯云

  https://cloud.tencent.com/developer/article/1041442

• 时间卷积网络(TCN) 总结：时序模型不再是递归网络(RNN) 的天下，但作为信息粗暴提取的一种方法，请不要神话CNN !

  http://nooverfit.com/wp/时间卷积网络tcn-总结：时序模型不再是递归网络rnn

• 算法上可以引入注意力机制的seq2seq模型，见过纯粹的seq2seq解法，结合注意力机制的还没见过开源代码(可能是搜索不够仔细)。

• seq2seq代码：Kaggle-Competition-Favorita/seq2seq

  https://github.com/LenzDu/Kaggle-Competition-Favorita/blob/master/seq2seq.py

• 注意力机制资料：

• • 台大-李宏毅《Attention_based_model》

  • 他们只说注意力机制（Attention Mechanism）不练，还是我来给大家撸代码讲解（https://juejin.im/post/5bbf41c3f265da0af16160d2#heading-0）

  • 《Attention is All You Need》浅读（简介+代码）(https://kexue.fm/archives/4765)

  • 川陀学者：Attention机制详解（二）——Self-Attention与Transformer（https://zhuanlan.zhihu.com/p/47282410）

  • The Illustrated Transformer （https://jalammar.github.io/illustrated-transformer/）

  • Visualizing A Neural Machine Translation Model (Mechanics of Seq2seq Models With Attention)

7.Facebook-prophet，类似于STL分解思路，因为觉得在控制程度和可解释性上比传统时序模型更有优势，所以单独列车。

参考：

• 官网说明(英文)

  https://facebook.github.io/prophet/docs/quick_start.html#python-api

• 官网notbook(英文)

  https://github.com/facebook/prophet/blob/master/notebooks/trend_changepoints.ipynb

• 中文推荐 @张戎 的文章，从原理到使用都有介绍，很良心。

  张戎：Facebook 时间序列预测算法 Prophet 的研究

  https://zhuanlan.zhihu.com/p/52330017

• 个人理解，想进一步用好，可以好好看看论文和官网，有空撸遍python的源码

• 理解prior_scale在代码中如何实现控制趋势项、季节项和节假日项

• 对于趋势项参数changepoint_range、changepoint_prior_scale如何影响模型拟合和泛化程度

• 趋势项中的Uncertainty-Intervals(interval_width参数)如何在预测结果使用

• 论文中的"Simulated Historical Forecasts"对应prophet的Diagnostics工具，可以利用该工具做时间序列的交叉验证评价模型准确程度，如何利用该工具调整模型

8. 深度学习网络，结合CNN+RNN+Attention，作用各不相同互相配合。目前也只是看了论文，有代码的顺便给出代码链接，代码还没细看。

主要设计思想：

• CNN捕捉短期局部依赖关系

• RNN捕捉长期宏观依赖关系

• Attention为重要时间段或变量加权

• AR捕捉数据尺度变化(没太搞懂啥意思~)

方法：

• LSTNet：适用于自相关图表现出有明显周期的时间序列，否则与传统方法相当。LSTNet-Pytorch、LSTNet-Keras、LSTNet-Gluon(Mxnet)。

• TPA-LSTM：改进了attention机制，侧重选择关键变量，而非选择时间步；实验效果说是对周期不明显的时间序列也能有不错效果。TPA-LSTM-Tensorflow

代码的坑填上。

• LSTNet代码解读， BINGO Hong：LSTNet详解（https://zhuanlan.zhihu.com/p/61795416）

• TPA-LSTM注意力机制， BINGO Hong：TPA注意力机制(TPA-LSTM)

  （https://zhuanlan.zhihu.com/p/63134630）

9.将时间序列转化为图像，再应用基于卷积神经网络的模型做分析

a. Gramian Angular Field (格拉姆角场GAF)

• 方法描述：将笛卡尔坐标系下的一维时间序列，转化为极坐标系表示，再使用三角函数生成GAF矩阵。

• 计算过程：

• • 数值缩放：将笛卡尔坐标系下的时间序列缩放到[0,1]或[-1,1]区间

  • 极坐标转换：使用坐标变换公式，将笛卡尔坐标系序列转化为极坐标系时间序列

  • 角度和/差的三角函数变换：若使用两角和的cos函数则得到GASF，若使用两角差的cos函数则得到GADF

• 优势：

• • 极坐标中半径表示时间戳，角度表示时间序列数值

  • 通过半径r保持序列的时间依赖性

  • 极坐标保留时间关系的绝对值（翻译得不好，大家可看原文：polar coordinates preserve absolute temporal relations）

  • 每个序列产生唯一的极坐标映射图

  • 可通过GAF矩阵的主对角线，恢复笛卡尔坐标下的原始时间序列

• 缺点：

• • 当序列长度为n时，产生的GAF矩阵大小为n*n，因此作者建议使用分段聚合近似（Piecewise Aggregation Approximation）保留序列趋势同时减少序列大小。

• 参考：

• • GAF方法的具体介绍见《Imaging Time-Series to Improve Classification and Imputation》（https://arxiv.org/pdf/1506.00327.pdf）

  • GAF的使用工具见pyts.image.GramianAngularField

  • 案例：波动率预测：基于CNN的图像识别策略（附代码） - 云+社区 - 腾讯云（https://cloud.tencent.com/developer/article/1610107）

b. Short Time Fourier Transform (短时傅里叶变换STFT)

• 通用的语音信号处理工具。在我毕业论文里就有使用到，论文还没上知网，链接后面再补吧。

• 将时间序列转为时频图像。

工具：

• tslearn：开源的时间序列机器学习python工具包

• tsfresh：开源的时间序列特征提取python工具包

• pyts：开源的时间序列分类Python工具包。提供预处理工具及若干种时间序列分类算法

难点：

• 理解时间序列预测问题是要用历史数据预测未来数据

• 时间序列问题的训练集、测试集划分

• 特征工程方法及过程(方法2的过程很有趣)

• 如何转化为监督学习数据集

• LSTM计算过程理解，包括输入输出维度、参数数量等

• seq2seq过程的理解，decoder实现

• attention注意力机制的原理及实现，包括encoder-decoder attention, self attention, multi-head attention等

• 时间卷积网络的含义，顾名思义就是将CNN方法用于时间序列中，主要是dilated-convolution and causal-convolution

• prophet预测原理，各参数对模型拟合效果、泛化效果的影响

• TPA侧重选择关键变量

• 时间序列基本规则法中周期因子得计算过程

• 传统方法如周期因子、线性回归、ARMA等的预测结果表现为，预测趋势大致正确，但对波动预测不理想，体现在波动的幅度差异、相位偏移。

• 时间序列分解方法。理解加法模型和乘法模型，判断分解模型的选取及分解技巧。

公众号：AI蜗牛车保持谦逊、保持自律、保持进步个人微信
备注：昵称+学校/公司+方向
如果没有备注不拉群！
拉你进AI蜗牛车交流群