【建議收藏】時間序列預測應用、paper匯總
這是8個月前，全球頂尖的量化交易公司Optiver在Kaggle上面辦的一場比賽——預測股票市場波動率、時間序列預測任務(wù)。
這場比賽吸引了超過3800支隊伍參加，其中相當一部分選手夢想著訓出一個模型、指導購買股票（OR彩票）、一夜暴富，迎娶白富美走上人生巔峰。
然后當然是沒有然后的。
拋開部分參賽選手難以實現(xiàn)的夢不談，這場比賽的火爆代表著一個現(xiàn)象——時間序列預測這一傳統(tǒng)技術(shù)，由于機器學習和深度學習方法的應用，正煥發(fā)新的生命力。
廣義線性模型，xgboost等機器學習方法，LSTM，CNN，Transformer等深度學習方法都可以用于時間序列預測
傳統(tǒng)統(tǒng)計學方法比如ARIMA, ETS, GARCH等，盡管不需要大量樣本數(shù)據(jù)即可構(gòu)建模型，但需要從業(yè)人員對時序相關(guān)的統(tǒng)計學有深入的理解，并且當存在非線性特征等復雜情況時，需要進行手工特殊處理，不利于規(guī)模化預測。
機器學習&深度學習盡管存在模型可解釋性差、需要大量樣本數(shù)據(jù)訓練模型等劣勢，但是這種劣勢對于有著海量數(shù)據(jù)、對自動化和準確性的要求大于可解釋性的工業(yè)和商業(yè)領(lǐng)域來說，算不上什么缺點。
01 金融領(lǐng)域
企業(yè)現(xiàn)金流預測、金融量化
02 IT領(lǐng)域
智能運維異常檢測等
03 零售定價
航班定價、電影票定價
04 供應鏈
人員排班計劃、生產(chǎn)排程計劃
直播預告
6月24日-6月25日、時序算法專家YY，直播分享——
01 時間序列預測概論（6月24日晚20點）
時間序列預測及其應用場景
時間序列預測所需知識和技能儲備
如何分析時間序列的特點
02 時間序列預測算法入門（6月25日晚20點）
Prophet算法原理介紹
Prophet算法代碼實踐
掃碼支付0.1元預約直播
直播結(jié)束后提供課件&代碼數(shù)據(jù)集
01 綜述
Time-series forecasting with deep learning a survey(2021)
02 GNN用于時序預測
Spatio-temporal graph convolutional networks-a deep learning framework for traffic forecasting（2017）
03 多層級時序預測
Optimal combination forecasts for hierarchical time series(2011)
Simultaneously Reconciled Quantile Forecasting of Hierarchically Related Time Series(2021)
04 RNN用于時序預測
Deep AR-Probabilistic Forecasting with Autoregressive Recurrent Networks（2017）
Deep and Confident Prediction for Time Series at Uber(2017)
05 具體領(lǐng)域的時序預測
Anomaly Detection at Scale-The Case for Deep Distributional Time Series Models（2020）
Reframing demand forecasting- a two-fold approach for lumpy and intermittent demand（2021）
06 CNN用于時序預測
Probabilistic forecasting with temporal convolutional neural network（2020）
A Multi-Horizon Quantile Recurrent Forecaster(2017)
07 ML算法用于時序預測
Fast and scalable Gaussian process modeling with applications to astronomical time series（2017）
Forecasting at Scale(2017)
08 傳統(tǒng)統(tǒng)計學與深度學習結(jié)合
Adjusting for Autocorrelated Errors in Neural Networks for Time Series Regression and Forecasting(2021)
Deep Factors for Forecasting(2019)
Deep State Space Models for Time Series Forecasting(2018)
N-BEATS,Neural basis expansion analysis for interpretable time series forecasting(2020)
09 Transformer用于時序預測
Informer-Beyond Efficient Transformer for Long Sequence Time-Series Forecasting(2020)
Temporal Fusion Transformers for interpretable multi-horizon time series forecasting(2021)
enhancing-the-locality-and-breaking-the-memory-bottleneck-of-transformer-on-time-series-forecasting-Paper(2019)
10 時序領(lǐng)域的數(shù)據(jù)增強
Improving the Accuracy of Global Forecasting Models using Time Series Data Augmentation（2020）
直播預告
6月24日-6月25日、時序算法專家YY，直播分享——
01 時間序列預測概論（6月24日晚20點）
時間序列預測及其應用場景
時間序列預測所需知識和技能儲備
如何分析時間序列的特點
02 時間序列預測算法入門（6月25日晚20點）
Prophet算法原理介紹
Prophet算法代碼實踐
掃碼支付0.1元預約直播
直播結(jié)束后提供課件&代碼數(shù)據(jù)集