時間序列預(yù)測方法及代碼總結(jié)！

時間序列是我最喜歡研究的一種問題，這里我列一下時間序列最常用的方法，包括理論和實踐兩部分。理論部分大多是各路神仙原創(chuàng)的高贊解讀，這里我就簡單成呈現(xiàn)在這里，并附上鏈接。實踐部分是質(zhì)量較高的開源代碼，方便大家快速上手。最后，附上一些 kaggle 比賽中比較經(jīng)典的時序比賽的經(jīng)典解法鏈接，供大家參考和學(xué)習(xí)。

時序問題都看成是回歸問題，只是回歸的方式（線性回歸、樹模型、深度學(xué)習(xí)等）有一定的區(qū)別。

一、傳統(tǒng)時序建模

arima 模型是 arma 模型的升級版；arma 模型只能針對平穩(wěn)數(shù)據(jù)進(jìn)行建模，而 arima 模型需要先對數(shù)據(jù)進(jìn)行差分，差分平穩(wěn)后在進(jìn)行建模。這兩個模型能處理的問題還是比較簡單，究其原因主要是以下兩點：

• arma/arima 模型歸根到底還是簡單的線性模型，能表征的問題復(fù)雜程度有限；
• arma 全名是自回歸滑動平均模型，它只能支持對單變量歷史數(shù)據(jù)的回歸，處理不了多變量的情況。

原理篇：

寫給你的金融時間序列分析：基礎(chǔ)篇

重點介紹基本的金融時間序列知識和 arma 模型

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

金融時間序列入門【完結(jié)篇】 ARCH、GARCH

介紹更為高階的 arch 和 garch 模型

https://zhuanlan.zhihu.com/p/21962996

實踐篇：

【時間序列分析】ARMA預(yù)測GDP的 python實現(xiàn)

arma 模型快速上手

https://zhuanlan.zhihu.com/p/54799648

machinelearningmastery.com

arch、garch模型快速建模

https://machinelearningmastery.com/develop-arch-and-garch-models-for-time-series-forecasting-in-python/

總結(jié)：如果是處理單變量的預(yù)測問題，傳統(tǒng)時序模型可以發(fā)揮較大的優(yōu)勢；但是如果問題或者變量過多，那么傳統(tǒng)時序模型就顯得力不從心了。

二、機(jī)器學(xué)習(xí)模型方法

這類方法以 lightgbm、xgboost 為代表，一般就是把時序問題轉(zhuǎn)換為監(jiān)督學(xué)習(xí)，通過特征工程和機(jī)器學(xué)習(xí)方法去預(yù)測；這種模型可以解決絕大多數(shù)的復(fù)雜的時序預(yù)測模型。支持復(fù)雜的數(shù)據(jù)建模，支持多變量協(xié)同回歸，支持非線性問題。

不過這種方法需要較為復(fù)雜的人工特征過程部分，特征工程需要一定的專業(yè)知識或者豐富的想象力。特征工程能力的高低往往決定了機(jī)器學(xué)習(xí)的上限，而機(jī)器學(xué)習(xí)方法只是盡可能的逼近這個上限。特征建立好之后，就可以直接套用樹模型算法 lightgbm/xgboost，這兩個模型是十分常見的快速成模方法，除此之外，他們還有以下特點：

• 計算速度快，模型精度高；
• 缺失值不需要處理，比較方便；
• 支持 category 變量；

• 支持特征交叉。

原理篇：

提升樹模型：Lightgbm 原理深入探究：

lightgbm 原理

https://blog.csdn.net/anshuai_aw1/article/details/83659932

xgboost 的原理沒你想像的那么難：

xgboost 原理

https://www.jianshu.com/p/7467e616f227

實踐篇：

在 Python 中使用 Lightgbm：

lightgbm 模型實踐

https://zhuanlan.zhihu.com/p/52583923

史上最詳細(xì)的 XGBoost 實戰(zhàn)：

xgboost 模型實踐

https://zhuanlan.zhihu.com/p/31182879

總結(jié)：通過一系列特征工程后，直接使用機(jī)器學(xué)習(xí)方法，可以解決大多數(shù)的復(fù)雜時序問題；不過這方法最大的缺點是特征工程可能會較為繁瑣。

三、深度學(xué)習(xí)模型方法

深度學(xué)習(xí)時間序列的綜述：這類方法以 LSTM/GRU、seq2seq、wavenet、1D-CNN、transformer為主。深度學(xué)習(xí)中的 LSTM/GRU 模型，就是專門為解決時間序列問題而設(shè)計的；但是 CNN 模型是本來解決圖像問題的，但是經(jīng)過演變和發(fā)展，也可以用來解決時間序列問題。總體來說，深度學(xué)習(xí)類模型主要有以下特點：

• 不能包括缺失值，必須要填充缺失值，否則會報錯；
• 支持特征交叉，如二階交叉，高階交叉等；
• 需要 embedding 層處理 category 變量，可以直接學(xué)習(xí)到離散特征的語義變量，并表征其相對關(guān)系；
• 數(shù)據(jù)量小的時候，模型效果不如樹方法；但是數(shù)據(jù)量巨大的時候，神經(jīng)網(wǎng)絡(luò)會有更好的表現(xiàn)；
• 神經(jīng)網(wǎng)絡(luò)模型支持在線訓(xùn)練。

實際上，基于實際預(yù)測問題，可以設(shè)計出各式各樣的深度學(xué)習(xí)模型架構(gòu)。假如我們預(yù)測的時序問題（如預(yù)測心跳頻率），不僅僅只和統(tǒng)計類的數(shù)據(jù)有關(guān)，還和文本（如醫(yī)師意見）以及圖像（如心電圖）等數(shù)據(jù)有關(guān) ，我們就可以把 MLP、CNN、bert 等冗雜在一起，建立更強(qiáng)力的模型。

▲ 圖源：https://www.kaggle.com/c/avito-demand-prediction/discussion/59880

理論篇：

【算法綜述】時序預(yù)測的深度學(xué)習(xí)算法介紹

【RNN原理及實戰(zhàn)】一文詳解RNN及股票預(yù)測實戰(zhàn)(Python)！

[干貨] 深入淺出 LSTM 及其 Python 代碼實現(xiàn)：

LSTM 原理

https://zhuanlan.zhihu.com/p/104475016

Seq2Seq 原理詳解-早起的小蟲子-博客園：

seq2seq 原理

https://www.cnblogs.com/liuxiaochong/p/14399416.html

Wavenet 原理與實現(xiàn)：

wavenet 原理

https://zhuanlan.zhihu.com/p/28849767

CNN 卷積神經(jīng)網(wǎng)絡(luò)如何處理一維時間序列數(shù)據(jù)：

1D-CNN 處理時序數(shù)據(jù)

https://www.ai8py.com/cnn-in-keras-for-time-sequences.html

Transformer for TimeSeries 時序預(yù)測算法詳解：

transformer 時序預(yù)測

https://zhuanlan.zhihu.com/p/391337035

實踐篇：

seq2seq 模型的 python 實現(xiàn)-基于 seq2seq 模型的自然語言處理應(yīng)用：

seq2seq 模型實現(xiàn)

https://dataxujing.github.io/seq2seqlearn/chapter3/

machinelearningmastery.com：

LSTM 實踐

https://machinelearningmastery.com/time-series-prediction-lstm-recurrent-neural-networks-pyth

Conv1d-WaveNet-Forecast Stock price：

wavenet 模型預(yù)測股票價格

https://www.kaggle.com/bhavinmoriya/conv1d-wavenet-forecast-stock-price

towardsdatascience.com/：

transformer 時序預(yù)測數(shù)據(jù)

https://towardsdatascience.com/how-to-use-transformer-networks-to-build-a-forecasting-model-297f9270e630

Keras documentation: 

Timeseries classification with a Transformer model：transformer 處理時序數(shù)據(jù)分類

https://keras.io/examples/timeseries/timeseries_transformer_classification/

kaggle.com/fatmakursun/：

CNN 預(yù)測模型

https://www.kaggle.com/fatmakursun/predict-sales-time-series-with-cnn

總結(jié)：深度學(xué)習(xí)模型可以解決基本上所有時序問題，而且模型可以自動學(xué)習(xí)特征工程，極大減少了人工；不過需要較高的模型架構(gòu)能力。

最后我再附上一些比較經(jīng)典的數(shù)據(jù)挖掘比賽鏈接和解決方案，如果能夠理解數(shù)據(jù)和代碼，必會受益匪淺。如果大家對某個比賽解決方案十分感興趣，我后續(xù)會詳細(xì)解讀。

1）網(wǎng)站流量預(yù)測：

RNN seq2seq 模型：

https://github.com/Arturus/kaggle-web-traffic

xgboost 和 MLP 模型：

https://github.com/jfpuget/Kaggle/tree/master/WebTrafficPrediction

kalman 濾波：

https://github.com/oseiskar/simdkalman

CNN 模型：

https://github.com/sjvasquez/web-traffic-forecasting

2）餐廳客戶量預(yù)測

特征工程+lgb：

https://www.kaggle.com/plantsgo/solution-public-0-471-private-0-505

特征工程+lgb：

https://www.kaggle.com/pureheart/1st-place-lgb-model-public-0-470-private-0-502

3）開放通道預(yù)測

wavenet 模型：

https://www.kaggle.com/vicensgaitan/2-wavenet-swa

1D-CNN 模型：

https://www.kaggle.com/kmat2019/u-net-1d-cnn-with-keras

seq2seq 模型：

https://www.kaggle.com/brandenkmurray/seq2seq-rnn-with-gru

4）肺壓力預(yù)測

transformer 模型：

https://www.kaggle.com/cdeotte/tensorflow-transformer-0-112

雙向 lstm 模型：

https://www.kaggle.com/tenffe/finetune-of-tensorflow-bidirectional-lstm

時間序列問題博大精深，應(yīng)用場景十分廣泛。實際上許多預(yù)測問題都可以看做是時間序列問題，比如股票/期貨/外匯價格預(yù)測，網(wǎng)站/餐館/旅館/交通流量預(yù)測，店鋪商品庫存/銷量預(yù)測等等。掌握了時間序列預(yù)測方法，你可能就掌管一把洞見未來的鑰匙。

更多精彩內(nèi)容請點擊：AI領(lǐng)域文章精選！