image.png
模型
本文主要介绍一个学习路线，后续详细介绍各部分内容。常用的模型，以下基本可以涵盖主流思想：
- 传统时序模型：ARIMA，Prophet，EMD
- 构造时序特征的统计学习方法：LR，GBDT(xgboost\lightgbm)
- 深度学习方法：seq2seq，wavenet，transormer
企业研究
来自工业届的研究经验与创新模型，值得一看的文章和模型：
- Uber：Time-series Extreme Event Forecasting with Neural Networks at Uber
- Uber：How Uber Manages Uncertainty in Time-Series Prediction Models
- Google：Temporal Fusion Transformers for Multi-horizon Time Series Forecasting
- Google：Using AutoML for Time Series Forecasting
- Amazon：DeepAR
- Amazon：DeepGLO
- Facebook：Peophet
- Facebook：AR-Net research that combines autoregressive models and neural networks
Python库
发挥python的优势，多用已经造好的轮子。tsfresh可以自动构造时序特征，sktime是类似sklearn写法的预测库，pytorch和tensorflow实现了常见的深度学习模型。前面提到的模型ARIMA和prophet也有可调用的stats，pyprophet。
- tsfresh：https://github.com/blue-yonder/tsfresh
- sktime：https://github.com/alan-turing-institute/sktime
- pytorch prediction：https://github.com/jdb78/pytorch-forecasting
- tensorflow pediction：https://github.com/LongxingTan/Time-series-prediction
kaggle比赛
一些经典的kaggle比赛，Top方案中既有构造时序特征的gbdt方法，也有深度学习方法。优秀的方案里既有对模型的深刻认识，更是对数据和任务的精细解读。
- Corporación Favorita Grocery Sales Forecasting
- Web Traffic Time Series Forecasting
- Recruit Restaurant Visitor Forecasting
- M5 Forecasting - Accuracy
联系方式
YueTan，欢迎关注
