单步预测与多步与预测的联系与区别
目录
单步预测与多步预测的联系
多步预测方法
(1)Direct Multi-step Forecast Strategy (直接多步预测策略)
(2)Recursive Multi-step Forecast (递归多步预测策略)
(3)Direct-Recursive Hybrid Strategies(直接递归混合多步预测策略)
预测模式
单步预测与多步预测的联系
通常来说,时间序列预测描述的是在下一个时间步预测出的值,这被称为单步预测。但是有些情况下,预测任务需要预测出未来多个时间步的值,那这种情况就被称为多步预测。
(1)多步预测的预测误差会随着步数的增加而累积,多步预测的结果也会越来越不准。但是单步预测很多时候不会有这种误差累积。
(2)多步预测可以用于预测“不存在”的数据,比如如果想预测第101到120个数据点,这时候便是使用多步预测了。
多步预测方法
以下为温度预测为例子:
(1)Direct Multi-step Forecast Strategy (直接多步预测策略)
直接法为每个预测时间步开发一个单独的模型。
在预测未来两天的温度的情况下,我们将学习一个独立的模型用于预测第一天温度,另一个独立的模型来预测第二天的温度。
(2)Recursive Multi-step Forecast (递归多步预测策略)
递归策略则多次使用一步模型,前一个时间步的预测被用作对下一个时间步进行预测的输入
在预测未来两天的气温时,我们将开发一个一步预测模型。该模型将先用于预测第1天,然后将第1天的预测结果当做观察输入,以便预测第2天。
prediction(t+1) = model(obs(t-1), obs(t-2), ..., obs(t-n))
prediction(t+2) = model(prediction(t+1), obs(t-1), ..., obs(t-n-1))
由于使用预测值来代替观测值,递归策略会造成预测误差不断累积,随着预测时间范围的增加,递归多部预测策略的性能可能会迅速下降。我们多步预测大部分都是使用此方法!
(3)Direct-Recursive Hybrid Strategies(直接递归混合多步预测策略)
直接和递归策略可以结合起来,以结合这两种方法的优点。
例如,可以为每个要预测的时间步构造一个单独的模型,但是每个模型可以使用模型在前一个时间步所做的预测作为输入值。
对于预测未来两天的温度,可以使用两个模型,分别是model1和model2。在进行未来第2天的温度预测时,第一个模型的输出被用作第二个模型的输入。
预测模式
(1)全部数据用于多步预测:这就是上述说的,要预测“不存在”的数据。在软件中指定想预测的长度,点击开始就可以了。
(2)划分“训练-测试集”的多步预测:大致相当于上述举的例子,即将全部数据按照一定比例划分成训练集和测试集,然后多步预测出于测试集相同长度的数据,并画图对比,计算若干评估指标。这种模式下结果往往并不太理想。
(3)划分“训练-测试集”的单步预测:将全部数据按照一定比例划分成训练集和测试集,然后单步预测出于测试集相同长度的数据,并画图对比,计算若干评估指标。这种模式下预测精度较高,在某些趋势性强的数据中,预测结果可能会表现出“滞后性”。
单步预测与多步与预测的联系与区别相关推荐
- 机器学习多步时间序列预测解决方案
点击上方入口立即[自由构建 探索无限] 一起共赴年度科技盛宴! 1 简介 近年来,随着机器学习与深度学习的发展,以及 Amazon SageMaker (https://aws.amazon.com/ ...
- 【时序】TFT:具有可解释性的时间序列多步直接预测 Transformers
论文名称:Temporal Fusion Transformers for interpretable multi-horizon time series forecasting 论文下载:https ...
- DeepAR多重多元多步时间序列预测
1.前情分析 在现实世界的预测问题中,试图共同学习多个时间序列时经常遇到的一个挑战是,时间序列的数量级差异很大,而且数量级的分布具有很强的倾斜性.这个问题如图1所示,图中显示了亚马逊销售的数百万件商品 ...
- 开发和设计实现LSTM模型用于家庭用电的多步时间序列预测
鉴于智能电表的兴起以及太阳能电池板等发电技术的广泛采用,有大量的用电数据可供选择.该数据代表了多变量时间序列的功率相关变量,这些变量又可用于建模甚至预测未来的电力消耗. 与其他机器学习算法不同,长期短 ...
- LSTM模型对家庭用电进行多步时间序列预测
随着智能电表的兴起和太阳能电池板等发电技术的广泛应用,有大量可用的用电数据.这些数据代表了一系列与电力相关的多元时间序列,进而可以用来建模甚至预测未来的用电量.与其他机器学习算法不同,长短时记忆递归神 ...
- 时间序列-预测(Forcasting):时间序列预测算法总结
一.背景介绍 绝大部分行业场景,尤其是互联网.量化行业,每天都会产生大量的数据.金融领域股票价格随时间的走势:电商行业每日的销售额:旅游行业随着节假日周期变化的机票酒店价格等: 我们称这种不同时间收到 ...
- 置信区间估计 预测区间估计_估计,预测和预测
置信区间估计 预测区间估计 Estimation implies finding the optimal parameter using historical data whereas predict ...
- python天气预测算法_使用机器学习预测天气(第二部分)
概述 这篇文章我们接着前一篇文章,使用Weather Underground网站获取到的数据,来继续探讨用机器学习的方法预测内布拉斯加州林肯市的天气 上一篇文章我们已经探讨了如何收集.整理.清洗数据. ...
- R语言预测初步(R语言预测实战-节选)
经过上一节的介绍相信各位读者已经知道如何安装R及R程序包.本节拟通过一个简单的例子说明用R语言进行预测的主要步骤,旨在让各位读者了解用R语言进行预测的基本过程.本例使用forecast包中自带的数据集 ...
最新文章
- Pascal 错误代码及含义
- Spring_总结_02_依赖注入
- java join()源码_Java Thread的join() 之刨根问底
- Hadoop2.0 YARN
- Failed to download You must enable the openssl extension to download files via https
- PAT乙类1010之1010 一元多项式求导
- MySQL到MsSQL的迁移工具——SSMA
- 60-008-026-使用-命令-如何在flink中传递参数
- 打造安全可靠的研发中心桌面
- 动漫头像1000张萌妹子图片,可以做高清头像壁纸
- android开发点击部分文字颜色,墨迹天气推Android版 单城数据流量不足0.5k
- Maya 界面与视图2
- android谷歌地图v2开发,android google map v2开发环境配置教程
- 如何在Axure中设置根据标签导航切换页面?
- ThoughtWorks-2021上半年,请24期技术雷达正式发布!
- eclipse oxygen e4.7.3a 下载STS插件
- 深度报道 | 从地库创业到获国家队融资,驭势科技的无人驾驶野心
- Android 四大组件之Service
- FreeRtos 获取任务运行时状态以及实现方式分析
- Mac Python3.9 星际争霸
热门文章
- “增长黑客”与LBS
- 【mathtype】在word中,mathtype打出来的省略号显示不是小圆点,而是短横线,如何让省略号正常显示呢?
- 小韦老师@神犇营-my0060-捡石头
- MVC5+EasyUI企业快速开发框架源码 BS开发框架源码
- android折线图,简单的android折线图绘制
- 利用python机器学习库进行Kaggle皮马印第安人糖尿病预测分析
- 常见的幂等性解决方案
- AARRR模型 | 解剖用户留存套路与习惯养成
- 数学建模论文写作方法之一(模型分析/检验)
- android 充电图标