<ruby id="bdb3f"></ruby>

    <p id="bdb3f"><cite id="bdb3f"></cite></p>

      <p id="bdb3f"><cite id="bdb3f"><th id="bdb3f"></th></cite></p><p id="bdb3f"></p>
        <p id="bdb3f"><cite id="bdb3f"></cite></p>

          <pre id="bdb3f"></pre>
          <pre id="bdb3f"><del id="bdb3f"><thead id="bdb3f"></thead></del></pre>

          <ruby id="bdb3f"><mark id="bdb3f"></mark></ruby><ruby id="bdb3f"></ruby>
          <pre id="bdb3f"><pre id="bdb3f"><mark id="bdb3f"></mark></pre></pre><output id="bdb3f"></output><p id="bdb3f"></p><p id="bdb3f"></p>

          <pre id="bdb3f"><del id="bdb3f"><progress id="bdb3f"></progress></del></pre>

                <ruby id="bdb3f"></ruby>

                ??一站式輕松地調用各大LLM模型接口,支持GPT4、智譜、豆包、星火、月之暗面及文生圖、文生視頻 廣告
                # 時間序列預測問題的分類 > 原文: [https://machinelearningmastery.com/taxonomy-of-time-series-forecasting-problems/](https://machinelearningmastery.com/taxonomy-of-time-series-forecasting-problems/) 當您遇到新的時間序列預測問題時,有許多事情需要考慮。 您所做的選擇會直接影響項目的每個步驟,從測試工具的設計到評估預測模型,以及您正在處理的預測問題的基本難度。 通過處理有關時間序列預測問題的一系列問題,可以非常快速地縮小選項范圍。通過考慮每個主題中的一些主題和問題,您可以縮小問題類型,測試工具,甚至為項目選擇算法。 在這篇文章中,您將發現一個框架,您可以使用該框架快速了解和構建時間序列預測問題。 讓我們開始吧。 ![Taxonomy of Time Series Forecasting Problems](https://img.kancloud.cn/91/dd/91ddd6e74d2a0c32464b70af849fc448_640x427.jpg) 時間序列預測問題的分類 攝影: [Adam Meek](https://www.flickr.com/photos/adammeek/34093359272/) ,保留一些權利。 ## 框架概述 時間序列預測涉及在觀測之間存在有序關系的數據上開發和使用預測模型。 您可以在此帖子中了解有關時間序列預測的更多信息: * [什么是時間序列預測?](https://machinelearningmastery.com/time-series-forecasting/) 在開始您的項目之前,您可以回答幾個問題,并大大提高您對預測問題結構的理解,模型的結構要求以及如何評估它。 本文提出的框架分為七個部分;他們是: 1. 輸入與輸出 2. 內生與外生 3. 非結構化與結構化 4. 回歸與分類 5. 單變量與多變量 6. 單步與多步 7. 靜態與動態 8. 連續與不連續 我建議在開始任何時間序列預測項目之前完成此框架。 您的答案在第一時間可能不會很清晰,您可能需要在研究數據,領域以及與專家和利益相關方交談時提出問題。 在了解更多信息時更新您的答案,因為它將幫助您保持正常運行,避免分心,并開發項目所需的實際模型。 ## 1.輸入與輸出 通常,預測問題涉及使用過去的觀察來預測或預測一個或多個可能的未來觀察。 目標是猜測未來會發生什么。 當您需要進行預測時,考慮您可用于進行預測的數據以及您將來會猜測的內容至關重要。 我們可以總結一下,在進行單一預測時,模型的輸入和輸出是什么。 * **輸入**:提供給模型的歷史數據,以便進行單一預測。 * **輸出**:預測或預測未來時間步長超出作為輸入提供的數據。 輸入數據不是用于訓練模型的數據。我們還不是那個時候。它是用于進行一次預測的數據,例如銷售數據的最后七天,用于預測下一天的銷售數據。 定義模型的輸入和輸出會強制您考慮進行預測的確切或可能需要的內容。 在輸入數據時,您可能無法具體說明。例如,您可能不知道是否需要一個或多個先前時間步驟來進行預測。但是,您將能夠識別可用于進行預測的變量。 > 預測的輸入和輸出是什么? ## 2.內生與外生 輸入數據可以進一步細分,以便更好地理解它與輸出變量的關系。 如果輸入變量受系統中其他變量的影響且輸出變量依賴于它,則它是內生的。 在時間序列中,對輸入變量的觀察取決于彼此。例如,時間 t 的觀察取決于 t-1 處的觀察; t-1 可能取決于 t-2,依此類推。 如果輸入變量獨立于系統中的其他變量并且輸出變量依賴于它,則它是外生變量。 簡而言之,內生變量受系統中其他變量(包括它們自身)的影響,而外生變量則不被系統視為外部變量。 * **內生**:受系統中其他變量影響且輸出變量所依賴的輸入變量。 * **外生**:輸入變量,不受系統中其他變量影響,輸出變量所依賴的變量。 通常,時間序列預測問題具有內生變量(例如,輸出是某些先前時間步長的函數)并且可能具有或可能不具有外生變量。 通常,考慮到對時間序列的強烈關注,外生變量會被忽略。明確地考慮兩種變量類型可能有助于識別容易被忽視的外生數據,甚至可以改進模型的工程特征。 > 什么是內生和外生變量? ## 3.回歸與分類 回歸預測建模問題是預測數量的問題。 數量是數值;例如價格,計數,數量等。您想要預測一個或多個未來數值的時間序列預測問題是回歸類型預測建模問題。 分類預測建模問題是預測類別的問題。 類別是來自一組明確定義的標簽的標簽;例如{“hot”,“cold”},{“up”,“down”}和{“buy”,“sell”}是類別。 要對輸入時間序列數據進行分類的時間序列預測問題是分類預測建模問題。 * **回歸**:預測數量。 * **分類**:分類為兩個或多個標簽之一。 > 您正在研究回歸或分類預測建模問題嗎? 這些類型之間存在一定的靈活性。 例如,回歸問題可以重新定義為分類,分類問題可以重新定義為回歸。一些問題,如預測序數值,可以被定義為分類和回歸。重構您的時間序列預測問題可能會簡化它。 > 有哪些方法來構建時間序列預測問題? ## 4.非結構化與結構化 在時間序列中繪制每個變量并檢查繪圖以查找可能的模式非常有用。 單個變量的時間序列可能沒有任何明顯的模式。 我們可以把沒有模式的系列想象成非結構化的,因為沒有可辨別的時間依賴結構。 或者,時間序列可能具有明顯的模式,例如趨勢或季節性周期。 我們通常可以通過識別和刪除數據中的明顯結構來簡化建模過程,例如增加趨勢或重復循環。一些經典方法甚至允許您指定參數來直接處理這些系統結構。 * **非結構化**:時間序列變量中沒有明顯的系統時間依賴模式。 * **結構化**:時間序列變量中的系統時間依賴模式(例如趨勢和/或季節性)。 > 時間序列變量是非結構化的還是結構化的? ## 5.單變量與多變量 隨時間測量的單個變量被稱為單變量時間序列。單變量意味著一個變量或一個變量。 隨時間測量的多個變量被稱為多變量時間序列:多個變量或多個變量。 * **單變量**:隨時間變化測量的一個變量。 * **多變量**:隨時間測量的多個變量。 > 您是在處理單變量或多變量時間序列問題嗎? 考慮到關于投入和產出的這個問題可能會進一步加以區分。輸入和輸出之間的變量數可能不同,例如數據可能不對稱。 例如,您可能有多個變量作為模型的輸入,并且只對將其中一個變量預測為輸出感興趣。在這種情況下,模型中假設多個輸入變量有助于預測單個輸出變量。 * **單變量和多變量輸入**:隨時間測量的一個或多個輸入變量。 * **單變量和多變量輸出**:要預測的一個或多個輸出變量。 ## 6.單步與多步 需要預測下一個時間步長的預測問題稱為一步預測模型。 而需要預測多個時間步長的預測問題稱為多步預測模型。 預測到未來的時間步驟越多,問題就越具挑戰性,因為每個預測時間步長的不確定性的復合性質。 * **一步**:預測下一步。 * **多步**:預測多個未來時間步驟。 > 您需要單步驟還是多步驟預測? ## 7.靜態與動態 可以開發一次模型并重復使用它來進行預測。 鑒于模型未在預測之間更新或更改,我們可以將此模型視為靜態模型。 相反,我們可能會在進行后續預測之前收到新的觀察結果,這些預測可用于創建新模型或更新現有模型。我們可以考慮在每個預測之前開發一個新的或更新的模型作為動態問題。 例如,如果問題需要在未來一周的一周開始時進行預測,我們可能會收到本周末的真實觀察結果,我們可以在下周預測之前更新模型。這將是一個動態模型。如果我們在本周末沒有得到真實的觀察結果,或者我們選擇不重新擬合模型,那么這將是一個靜態模型。 我們可能更喜歡動態模型,但是域的約束或所選算法的限制可能會產生使這種難以處理的約束。 * **靜態**。預測模型適合一次并用于進行預測。 * **動態**。在每次預測之前,預測模型適合新的可用數據。 > 您需要靜態或動態更新的模型嗎? ## 8.連續與不連續 觀察值隨時間均勻的時間序列可以被描述為連續的。 許多時間序列問題都有連續的觀察結果,例如每小時,每天,每月或每年觀察一次。 觀察結果隨時間不均勻的時間序列可被描述為不連續的。 觀察的不均勻性可能是由于缺失或損壞的值造成的。這也可能是問題的一個特征,其中觀察僅偶爾可用或者以逐漸或逐漸間隔的時間間隔提供。 在非均勻觀測的情況下,在擬合某些模型以使觀察隨時間均勻時可能需要特定的數據格式化。 * **連續**。隨著時間的推移,觀察是統一的。 * **不連續**。隨著時間的推移,觀察結果不一致。 > 您的觀察結果是連續的還是不連續的? ## 進一步閱讀 本節列出了一些可供進一步閱讀的資源。 * [什么是時間序列預測?](https://machinelearningmastery.com/time-series-forecasting/) * [如何通過時間序列預測項目](https://machinelearningmastery.com/work-time-series-forecast-project/) ## 摘要 要查看,您可以詢問有關您的問題的主題和問題如下: 1. 輸入與輸出 1. 預測的輸入和輸出是什么? 2. 內生與外生 1. 什么是內生和外生變量? 3. 非結構化與結構化 1. 時間序列變量是非結構化的還是結構化的? 4. 回歸與分類 1. 您正在研究回歸或分類預測建模問題嗎? 2. 有哪些方法來構建時間序列預測問題? 5. 單變量與多變量 1. 您是在處理單變量或多變量時間序列問題嗎? 6. 單步與多步 1. 您需要單步驟還是多步驟預測? 7. 靜態與動態 1. 您需要靜態或動態更新的模型嗎? 8. 連續與不連續 1. 您的觀察結果是連續的還是不連續的? 您是否發現此框架對您的時間序列預測問題有用? 請在下面的評論中告訴我。 你有任何問題嗎? 在下面的評論中提出您的問題,我會盡力回答。
                  <ruby id="bdb3f"></ruby>

                  <p id="bdb3f"><cite id="bdb3f"></cite></p>

                    <p id="bdb3f"><cite id="bdb3f"><th id="bdb3f"></th></cite></p><p id="bdb3f"></p>
                      <p id="bdb3f"><cite id="bdb3f"></cite></p>

                        <pre id="bdb3f"></pre>
                        <pre id="bdb3f"><del id="bdb3f"><thead id="bdb3f"></thead></del></pre>

                        <ruby id="bdb3f"><mark id="bdb3f"></mark></ruby><ruby id="bdb3f"></ruby>
                        <pre id="bdb3f"><pre id="bdb3f"><mark id="bdb3f"></mark></pre></pre><output id="bdb3f"></output><p id="bdb3f"></p><p id="bdb3f"></p>

                        <pre id="bdb3f"><del id="bdb3f"><progress id="bdb3f"></progress></del></pre>

                              <ruby id="bdb3f"></ruby>

                              哎呀哎呀视频在线观看