<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>

                ??碼云GVP開源項目 12k star Uniapp+ElementUI 功能強大 支持多語言、二開方便! 廣告
                # 10 挑戰機器學習時間序列預測問題 > 原文: [https://machinelearningmastery.com/challenge-machine-learning-time-series-forecasting-problems/](https://machinelearningmastery.com/challenging-machine-learning-time-series-forecasting-problems/) 機器學習方法可以為時間序列預測問題提供很多東西。 困難在于大多數方法都是在簡單的單變量時間序列預測問題上得到證明的。 在這篇文章中,您將發現一系列具有挑戰性的時間序列預測問題。這些是傳統線性統計方法不足以及需要更先進的機器學習方法的問題。 如果您正在尋找具有挑戰性的時間序列數據集來練習機器學習技術,那么您來對地方了。 讓我們潛入。 ![Challenging Machine Learning Time Series Forecasting Problems](https://img.kancloud.cn/57/35/573562280313eba97e17834a1b6e42e9_640x396.jpg) 具有挑戰性的機器學習時間序列預測問題 照片由 [Joao Trindade](https://www.flickr.com/photos/joao_trindade/6907788972/) ,保留一些權利。 ## 概觀 我們將仔細研究來自競爭數據科學網站 [Kaggle.com](https://www.kaggle.com/) 的 10 個具有挑戰性的時間序列數據集。 并非所有數據集都是嚴格的時間序列預測問題;我在定義中已經松散,并且還包括在混淆之前的時間序列或具有明確的時間分量的問題。 他們是: * 下雨了多少?我和我 * 在線產品銷售 * 羅斯曼商店銷售 * 沃爾瑪招聘 - 商店銷售預測 * 收購超值購物者挑戰賽 * 墨爾本大學 AES / MathWorks / NIH 癲癇發作預測 * AMS 2013-2014 太陽能預測大賽 * 2012 年全球能源預測競賽 - 風力預測 * EMC 數據科學全球黑客馬拉松(空氣質量預測) * Grupo Bimbo 庫存需求 這不是 Kaggle 上托管的所有時間序列數據集。 我錯過了一個好人嗎?請在下面的評論中告訴我。 ## 下雨了多少?我和我 鑒于極化雷達的觀測和推導測量,問題是預測雨量計中每小時總量的概率分布。 時間結構(例如小時到小時)被刪除,作為混淆數據的一部分,這將使其成為一個有趣的時間序列問題。 比賽在同一年進行了兩次,使用不同的數據集: * [下雨了多少?](https://www.kaggle.com/c/how-much-did-it-rain) * [下雨了多少? II](https://www.kaggle.com/c/how-much-did-it-rain-ii) 第二場比賽由 Aaron Sim 贏得,他使用了一個非常大的遞歸神經網絡算法。 [博客帖子采訪比賽獲勝者可以在這里訪問](http://blog.kaggle.com/tag/how-much-did-it-rain/)。 ## 在線產品銷售 鑒于產品和產品發布的細節,問題是預測未來 12 個月的銷售數據。 這是一個多步預測或序列預測,沒有可以推斷的銷售歷史。 我找不到任何表現最佳的解決方案。你能? [在競賽頁面](https://www.kaggle.com/c/online-sales)上了解更多信息。 ## 羅斯曼商店銷售 鑒于超過一千家商店的歷史每日銷售額,問題是預測每家商店的每周銷售數據為 6 周。 這既提供了探索存儲多步預測的機會,也提供了利用跨商店模式的能力。 通過仔細的特征工程和梯度增強的使用實現了最佳結果。 [博客帖子采訪比賽獲勝者可以在這里訪問](http://blog.kaggle.com/tag/rossmann-store-sales/)。 [在競賽頁面](https://www.kaggle.com/c/rossmann-store-sales)上了解更多信息。 ## 沃爾瑪招聘 - 商店銷售預測 根據多個商店中多個部門的歷史每周銷售數據以及促銷細節,問題是預測商店部門的銷售數據。 這既提供了探索部門明智甚至商店預測的機會,也提供了利用跨部門和跨店模式的能力。 表現最佳者大量使用 ARIMA 模型并謹慎處理公眾假期。 請看這里[獲勝解決方案](https://www.kaggle.com/c/walmart-recruiting-store-sales-forecasting/forums/t/8125/first-place-entry)和[第二位解決方案](https://www.kaggle.com/c/walmart-recruiting-store-sales-forecasting/forums/t/8023/thank-you-and-2-rank-model)。 [在競賽頁面](https://www.kaggle.com/c/walmart-recruiting-store-sales-forecasting)上了解更多信息。 ## 收購超值購物者挑戰賽 鑒于歷史購物行為,問題是預測哪些客戶在購買折扣優惠后可能會重復購買(獲得)。 大量的事務使這個數據下載量接近 3 千兆字節。 該問題提供了對特定或聚合客戶的時間序列進行建模并預測客戶轉換概率的機會。 我找不到任何表現最佳的解決方案。你能? [在競賽頁面](https://www.kaggle.com/c/acquire-valued-shoppers-challenge)上了解更多信息。 ## 墨爾本大學 AES / MathWorks / NIH 癲癇發作預測 鑒于顱內腦電圖觀察到數月或數年的人腦活動痕跡,問題是預測 10 分鐘段是否表明癲癇發作的可能性。 描述[第四位解決方案](https://www.kaggle.com/c/melbourne-university-seizure-prediction/forums/t/26098/solution-4th-place),其利用統計特征工程和梯度增強。 [在競賽頁面](https://www.kaggle.com/c/melbourne-university-seizure-prediction)上了解更多信息。 **更新**:數據集已被刪除。 ## AMS 2013-2014 太陽能預測大賽 鑒于多個地點的歷史氣象預報,問題是預測每個地點的每日太陽能總量為一年。 數據集提供了按站點和跨站點對空間和時間時間序列建模的機會,并為每個站點進行多步預測。 [獲勝方法使用了梯度增強模型](https://www.kaggle.com/c/ams-2014-solar-energy-prediction-contest/forums/t/6321/our-approach?forumMessageId=33783#post33783)的集合。 [在競賽頁面](https://www.kaggle.com/c/ams-2014-solar-energy-prediction-contest)上了解更多信息。 ## 2012 年全球能源預測競賽 - 風力預測 鑒于多個地點的歷史風力預報和發電,問題是預測未來 48 小時的每小時發電量。 該數據集提供了對各個站點以及跨站點的每小時時間序列進行建模的機會。 我找不到任何表現最佳的解決方案。你能? [在競賽頁面](https://www.kaggle.com/c/GEF2012-wind-forecasting)上了解更多信息。 ## EMC 數據科學全球黑客馬拉松(空氣質量預測) 考慮到每天 8 小時的空氣污染物測量,問題是在接下來的三天內在特定時間預測污染物。 數據集提供了對多變量時間序列建模并執行多步預測的機會。 最佳表現解決方案的[良好記錄描述了使用在滯后變量上訓練的隨機森林模型的集合。](http://blog.kaggle.com/2012/05/01/chucking-everything-into-a-random-forest-ben-hamner-on-winning-the-air-quality-prediction-hackathon/) [在競賽頁面](https://www.kaggle.com/c/dsg-hackathon)上了解更多信息。 ## 摘要 在這篇文章中,您發現了一系列具有挑戰性的時間序列預測問題。 這些問題為網站上競爭機器學習奠定了基礎 [Kaggle.com](https://www.kaggle.com/) 。因此,每個問題也提供了很好的討論來源和現有的世界級解決方案,可以作為靈感和起點。 如果您有興趣更好地理解機器學習在時間序列預測中的作用,我建議您選擇其中一個或多個問題作為起點。 你有過這些問題中的一個或多個嗎? 在下面的評論中分享您的經歷。 在這篇文章中沒有提到 Kaggle.com 上是否存在時間序列問題? 請在下面的評論中告訴我。
                  <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