時系列予測について話す

以下の内容は、元関データボスの技術記事を読んだ要約の一部です。元のテキストを確認してください。時系列予測について話す-バイト記事-Zhihu zhuanlan.zhihu.com/p/486343380

1.効果テスト

• 数値ディメンションに依存しないメトリック：

  • SMPAE（対称MAPE）：

    • $SMAPE = \ frac {1} {n} \ sum_ {t = 1} ^ {n} \ frac {| F_t-A_t |} {（A_t + F_t）/ 2}$

    • パーセント表現でのMAE

    • 上限（200％）下限（0％）がある

  • WMAPE（加重MAPE）：

    • $WMAPE = \ frac {\ sum_ {t = 1} ^ {n} | A_t-F_t |} {\ sum_ {t-1} ^ n | A_t |}$

    • さまざまな桁の誤差を同等に評価します

    • MAPEのゼロ除算を解く

2.モデル分類

2.1従来の方法

• MA（移動平均。過去n時点の観測値の平均を次の時点の予測として使用します）：

  • 利点：高速で、ベースラインとして適切に機能します。
  • 短所：複数のステップを実行できず、ラグの問題があります。

• ARIMA（自己回帰移動平均）：

  • 長所：MAおよびARフィットよりも強力
  • 短所：パラメータ検索、実行時間が長い、各シーケンスを個別に予測する必要があります。

• 預言者（順次分解加法モデル）：

  • 利点：非線形トレンドは季節外部変数に利点がなく、確率を出力できます。
  • 短所：単一シーケンスの予測、大規模な面倒。

• その他：OrbitとNeuralProphet、あまり良くありません。

• 欠点：

  • エンドツーエンドの最適化ではなく、タイミング自体にいくつかの性質の要件があります。
  • 単一のシーケンス予測しか実行できず、パフォーマンスのオーバーヘッドが高くなります。
  • 自己回帰、共変量を導入することはできません。
  • マルチステップ予測は機能しません。

2.2MLメソッド

• モデリング

  • 時系列変換テーブルの問題

• 特徴工学

  • 新しい機能はさまざまな機能タイプに従って構築されるため、前処理部分についてはここでは説明しません。

  • 自動時系列特徴エンジニアリングツール-tsfresh（他のドキュメントによると、完全自動化は十分にインテリジェントではなく、多くの機能を生成し、メモリをバーストする可能性があります）

    • tsfresh公式ドキュメント
    • tsfresh中国語の構文解析

  • 他の時系列機能メソッドの概要：zhuanlan.zhihu.com/p/67832773

• モデル

  • GBDT：

    • lightGBM、fastai（OptunaまたはFLAMLは自動パラメーター調整に使用できます）
    • ビジネス機能の表現はNNよりも優れています

  • NN：

    • カテゴリ変数式の学習には、より適切な埋め込みがあります
    • 柔軟な損失設計
    • 多目的学習は、ツリーモデルよりも便利です。

2.3DL方式

• RNN（RNN、LSTM、GRU）
• Seq2Seq（RNN結合形式）

- 以RNN组件作为基本单元，encoder中做训练窗口的信息提取，decoder中做预测的多部输出。
- 评估：效果一般，计算开销大，稳定性不行，误差分析和模型解释难做。
复制代码

• WaveNet（Atrous Causal Convolution）

-   比RNN好并行，使用一维CNN做序列预测，还加入residual connection和skip connection和一系列复杂的门机制。
-   评估：没RNN好用
复制代码

• LSTNet

-   评估：不如特征工程+fastai
复制代码

• DeepAR

-   Seq2Seq形式，但是能输出概率分布。
-   评估：难以稳定收敛，精度波动大，效果比不过GBDT。
复制代码

• Nビート

-   单变量预测，有一定的季节和趋势解释性。
-   评估：效果一般，不好加额外的特征变量。
复制代码

• TFT

-   能和树模型叫板的DL模型，跟树模型有一定近似性，有特征变量选择网络。
-   评估：有点意思，由于其拟树形式的原理，效果稳定不少，但计算开销还是比较大。
复制代码

• まとめ：

  • 現在のところ、GBDTの効果は大規模なDLよりも優れています。
  • DLの長所には、事前トレーニング、転移学習、表現学習が含まれ、生成モデルを時系列フィールドで使用することは困難です。

2.4タイミングAutoML

• ライブラリ：

  • Auto_TS

• 主流の方法：

  • 特徴工学+GBDT
  • TFT構造化時間データセットインターフェイスは、自動特徴エンジニアリングに適しています。

\