时间序列预测方法：从经典模型到深度学习的系统综述

《ACM Computing Surveys》：Time Series Forecasting Methods: A Systematic Review from Classical Models to Deep Learning

　　

摘要AI总结

要查看此由AI生成的总结，您需要拥有高级访问权限。

了解更多登录

摘要

摘要

时间序列预测是计算建模中的基础任务，在金融、健康科学、能源、交通、制造业和环境建模等领域有着广泛的应用。几十年来，统计方法和传统机器学习方法已经提供了有效的预测解决方案，而深度学习的最新进展则大大提升了处理复杂、高维和非线性时间序列数据的能力。本综述全面系统地介绍了时间序列预测方法，涵盖了统计模型、传统机器学习方法、深度学习架构以及混合方法。我们基于六个关键视角对时间序列预测模型进行了分类，并探讨了主要的方法论范式，包括统计模型、机器学习方法以及九种核心的深度学习架构，如RNN、CNN、Transformer、图神经网络、生成模型，还有诸如神经常微分方程、基础模型以及基于Mamba的网络等新兴方法。此外，我们还研究了预测策略、基准数据集、评估指标、可用软件以及主要应用领域。最后，我们从定性和定量两个方面对比了不同的方法论和模型架构，以帮助实际选择模型，并指出时间序列预测领域当前面临的挑战及未来的研究方向。

AI总结

AI生成的总结（实验性）

此总结是通过自动化工具生成的，并非由文章作者撰写或审核。它旨在帮助读者发现相关内容、评估文章的相关性，以及帮助来自相关研究领域的读者理解本文内容。它是对作者提供的摘要的补充，而作者提供的摘要仍是文章的主要总结。完整文章才是具有权威性的版本。点击此处了解更多。

点击此处，可以对该总结的准确性、清晰度及实用性发表意见。您的反馈将有助于改进未来的总结版本。

要查看此由AI生成的通俗语言总结，您需要拥有高级访问权限。