深度学习在时序预测中的应用

 

https://www.bilibili.com/video/BV13W411Q7Rp?spm_id_from=333.337.search-card.all.click&vd_source=3ad05e655a5ea14063a9fd1c0dcdee3e

日常生活中遇到的大部分都是时序的。基本上所有东西都是时序+空间的一个组合。

视频来自OneClick.ai 首席数据科学家Dr.Hou 的在线技术讲座，内容主要涵盖： 1.传统时序预测算法：指数平滑，ARIMA；2.基于传统机器学习的时序预测； 4.基于深度学习的时序预测：深度自回归网络，递归与卷积神经网络的应用。

 

比如说做电商的那么你是要预测到每个产品还是某个店的整体销量。

如果历史数据很少，那么很难做很准确的预测。

另一个是时间粒度是每周，每个月，每个季度还是每一年做一次预测。

比如所做金融可能需要预测一年；预测供应链管理可能需要预测一周，

 

预测基本上可以形式化为：有历史数据，对于未来预测区间有一定的观测量，要去寻找一个函数，这个函数把所有的已有信息利用起来，对未来做一个预测。

 

预测时序就是先把其内包含的模式pattern给找到。

一般有三种(趋势、季节性、循环周期性)：
第一个是趋势：也即上涨还是下跌，正在短期使能够很好的抓住的。背后的假设一般上涨的趋势，在下一个时间点很可能还是上涨的。

第二个是季度性的：比如某个产品在夏天卖得好，那么在另一个夏天可能卖的也好。

第三个是周期性的：英文是cycle，但是要注意，比如说经济领域，某个经济周期是5年，可能下一个经济周期却是10-12年；这个周期不是固定的。他会有波动。

 

如上图A,B,C,D四个小图；A有明显的cyclic属性，但是他没有明显的上涨或下降趋势；但是B则有明显的下降趋势；C的用电量数据则有明显的上升趋势，且还有一个cyclic的情况在里面，如果你把C放大的话，可以看到每个夏天的用电量都会上升；而D的股票图，则可以看到，用今天的价格减去昨天的价格来画图的话，可以发现明显的类似于白噪音的感觉，没有周期，而且波动基本上是随机的。

一般来说我们做预测的话基本上就是趋势(Trend)+季度性(Seasonalty)；cyclic基本上是宏观的，很难去预测，可能有一些宏观的经济学模型可以做；但是一般来说时序的都是trend+seasonality，二者不管是加还是乘，这样的一个过程。基本上不管是传统的方法还是现在的方法基本上都是从这些方面来做。