每当你发现一个与时间对应的趋势时，你就会看到一个时间序列。研究金融市场表现和天气预报的事实上的选择，时间序列是最普遍的分析技术之一，因为它与时间有着不可分割的关系 - 我们总是有兴趣预测未来。
authors:: Daizong Ding, Mi Zhang, Xudong Pan, Min Yang, Xiangnan He container:: Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining year:: 2019 DOI:: 10.1145/3292500.3330896 rating:: ⭐⭐⭐️ share:: true comment:: 以GRU为基础，主要针对损失函数进行了修改，强调极端值的模型预测中的作用。
时间序列预测的应用非常的广泛，像股票预测、销量预测、贷款预测等等，在生产生活中发挥着极大的价值。现有的模型，比如ARIMA，Prophet，状态空间模型或者神经网络模型等，主要是对单条时间序列进行建模分析。然而，在很多真实场景中，需要预测的时序变脸常常是描述具体结果的“宏观变量”，例如沪深指数大盘走势，电商平台GMV等，这些宏观变量的变化通通都受其下层微观因素变化所决定，单单对宏观时间序列建模往往得不到很好的效果。
时间序列是记录动态系统测量值的主要数据类型，由物理传感器和在线过程（虚拟传感器）大量生成。因此，时间序列分析对于揭示可用数据中隐含的信息财富至关重要。随着图神经网络（GNNs）的最新进展，基于GNN的时间序列分析方法大幅增加。这些方法可以明确地建模时序和变量间的关系，而传统的和其他基于深度神经网络的方法则难以做到。在这项调查中，我们对图神经网络在时间序列分析中的应用进行了全面回顾（GNN4TS），涵盖了四个基本维度：预测、分类、异常检测和填补。我们的目标是指导设计师和从业者了解、构建应用程序，并推进GNN4TS的研究。首先，我们提供了一个全面的面向任务的GNN4TS分类法。然后，我们介绍和讨论代表性研究成果，并介绍GNN4TS的主流应用。最后，我们全面讨论了潜在的未来研究方向。这项调查首次汇集了大量关于基于GNN的时间序列研究的知识，突出了图神经网络在时间序列分析中的基础、实际应用和机遇。
在本文中，长短期记忆网络——通常称为“LSTM”——是一种特殊的RNN递归神经网络，能够学习长期依赖关系
自监督学习（SSL）是一种机器学习方法，最近在各种时间序列任务上取得了令人印象深刻的表现。SSL最显著的优点是它减少了对标记数据的依赖。基于预训练和微调策略，即使是少量的标记数据也能实现高性能。
NeurIPS，全称神经信息处理系统大会(Conference and Workshop on Neural Information Processing Systems)，是一个关于机器学习和计算神经科学的顶级国际会议。该会议固定在每年的12月由NeurIPS基金会主办，被中国计算机协会推荐为A类会议。
时间序列是用于记录动态系统测量结果的主要数据类型，并由物理传感器和在线过程（虚拟传感器）大量生成。因此，时间序列分析对于发掘可用数据中隐含的信息丰富性至关重要。随着图神经网络（GNNs）的最近进步，基于GNN的时间序列分析方法的研究有所增加。这些方法可以明确地模拟时间和变量之间的关系，这是传统的和其他基于深度神经网络的方法难以做到的。在这次综述中，我们对图神经网络进行了全面的时间序列分析（GNN4TS），包括四个基本维度：预测、分类、异常检测和插补。我们的目标是指导设计师和实践者理解，构建应用，并推进GNN4TS的研究。首先，我们提供了一个全面的任务导向的GNN4TS分类。然后，我们介绍并讨论代表性的研究工作，最后讨论GNN4TS的主流应用。关于潜在的未来研究方向的全面讨论完整了这次综述。这次研查是首次汇集了大量关于基于GNN的时间序列研究的知识，突出了图神经网络用于时间序列分析的基础、实际应用和机会。
时间序列是用于记录动态系统测量结果的主要数据类型，并由物理传感器和在线过程（虚拟传感器）大量生成。因此，时间序列分析对于发掘可用数据中隐含的信息丰富性至关重要。随着图神经网络（GNNs）的最近进步，基于GNN的时间序列分析方法的研究有所增加。这些方法可以明确地模拟时间和变量之间的关系，这是传统的和其他基于深度神经网络的方法难以做到的。在这次综述中，我们对图神经网络进行了全面的时间序列分析（GNN4TS），包括四个基本维度：预测、分类、异常检测和插补。我们的目标是指导设计师和实践者理解，构建应用，并推进GNN4TS的研究。首先，我们提供了一个全面的任务导向的GNN4TS分类。然后，我们介绍并讨论代表性的研究工作，最后讨论GNN4TS的主流应用。关于潜在的未来研究方向的全面讨论完整了这次综述。这次研查是首次汇集了大量关于基于GNN的时间序列研究的知识，突出了图神经网络用于时间序列分析的基础、实际应用和机会。推荐阅读：深度时间序列的综述
在本文中，长短期记忆网络——通常称为“LSTM”——是一种特殊的RNN递归神经网络，能够学习长期依赖关系 。 最近我们被客户要求撰写关于LSTM的研究报告，包括一些图形和统计输出。
电力系统源源不断向各用户提供持续稳定的电能，本文通过对数据的提取，帮助客户分别对不同客户端日，月，年的用电负荷情况进行分析，并通过模型对单户负荷情况进行预测。
长短期记忆网络——通常称为“LSTM”——是一种特殊的RNN递归神经网络，能够学习长期依赖关系。
摘要：时间序列一般是指对某种事物发展变化过程进行观测并按照一定频率采集得出的一组随机变量。时间序列预测的任务就是从众多数据中挖掘出其蕴含的核心规律并且依据已知的因素对未来的数据做出准确的估计。由于大量物联网数据采集设备的接入、多维数据的爆炸增长和对预测精度的要求愈发苛刻，导致经典的参数模型以及传统机器学习算法难以满足预测任务的高效率和高精度需求。近年来，以卷积神经网络、循环神经网络和 Transformer 模型为代表的深度学习算法在时间序列预测任务中取得了丰硕的成果。为进一步促进时间序列预测技术的发展，综述了时间序列数据的常见特性、数据集和模型的评价指标，并以时间和算法架构为研究主线，实验对比分析了各预测算法的特点、优势和局限；着重介绍对比了多个基于 Transformer 模型的时间序列预测方法；最后结合深度学习应用于时间序列预测任务存在的问题与挑战对未来该方向的研究趋势进行了展望。（文末附论文下载地址）
时间数据，特别是时间序列和时空数据，在现实世界的应用中普遍存在。这些数据捕获动态系统的测量值，并由物理和虚拟传感器大量产生。分析这些数据类型对于利用它们所包含的丰富信息至关重要，从而有益于各种下游任务。近年来，大语言模型和其他基础模型的进步促使这些模型在时间序列和时空数据挖掘中的使用不断增加。这些方法不仅增强了跨多个领域的模式识别和推理能力，而且为能够理解和处理常见时间数据的人工通用智能奠定了基础。
时间序列预测就是利用过去一段时间的数据来预测未来一段时间内的信息，包括连续型预测（数值预测，范围估计）与离散型预测（事件预测）等，具有非常高的商业价值。
Machine Learning Mastery 机器学习算法教程 机器学习算法之旅 利用隔离森林和核密度估计的异常检测 机器学习中的装袋和随机森林集成算法 从零开始实现机器学习算法的好处 更好的朴素贝叶斯：从朴素贝叶斯算法中收益最大的 12 个技巧 机器学习的提升和 AdaBoost 选择机器学习算法：Microsoft Azure 的经验教训 机器学习的分类和回归树 什么是机器学习中的混淆矩阵 如何使用 Python 从零开始创建算法测试工具 通过创建机器学习算法的目标列表来获得控制权 机器学习中算法
时间序列预测是机器学习的一个重要领域。说它重要是因为有很多预测问题都涉及时间成分。然而，虽然时间成分补充了额外的信息，但与其他预测任务相比，时间序列问题更难以处理。
现如今，人们将深度学习运用到几乎所有领域，那些最“时髦的”领域包括计算机视觉、自然语言处理、语音分析、推荐系统以及预测系统。但是，有一个领域被大家遗忘在机器学习的角落，那就是信号分析（或时间序列分析）。本文中，将首先向大家展示信号和时间序列的重要性，接下来简要地回顾一下经典的方法，然后分享一下在Mawi公司运用深度学习处理信号的经验以及在算法交易领域的经验。
作者：高静宜 近日，京东金融城市计算业务部的一篇论文《GeoMAN:Multi-level Attention Networks for Geo-sensory Time Series Prediction（基于多层注意力机制神经网络的地理传感器时间序列预测）》被人工智能领域国际顶级学术会议 IJCAI 2018 录用。 空气污染、交通堵塞、能源消耗……这是身处在城市化加速发展进程中的人们每天都不得不面对的难题。 而伴随着技术的不断发展，人们开始尝试使用科学的手段对其加以攻克，一门全新的专业学科及研究领域
趋势预测在很多应用场景中都会起到至关重要的作用，比如淘宝商家会考虑库存量应该保持在多少才能够满足客户需求，商场希望得知假期会迎来多大的客流量以安排系列活动，机场想要预测五一黄金周会有多大的客运量来做相应的应急部署等。在智能运维领域，趋势预测同样具有一定的理论意义和实际应用价值。
自 2000 年 1 月以来的股票价格数据。我们使用的是 Microsoft 股票。
人工神经网络有两个重要的超参数，用于控制网络的体系结构或拓扑：层数和每个隐藏层中的节点数。配置网络时，必须指定这些参数的值。
ICML 是 International Conference on Machine Learning的缩写，即国际机器学习大会。ICML如今已发展为由国际机器学习学会（IMLS）主办的年度机器学习国际顶级会议，被中国计算机协会推荐为A类会议。
在今天我们发布的这篇文章中，作者 Sonam Srivastava 介绍了金融中的三种深度学习用例及这些模型优劣的证据。 我们跟随 Sonam Srivastava 的分析，并展望深度学习在金融领域的
原标题 | Extreme Event Forecasting with LSTM Autoencoders
用于R语言的多层感知器（MLP）和极限学习机（ELM）进行时间序列预测。请注意，由于神经网络无法利用GPU处理，因此大型网络的训练速度往往很慢（点击文末“阅读原文”获取完整代码数据）。
我国以前一直以来都是世界上大豆生产的第一大国。但由于各国的日益强大，导致我国豆种植面积和产量持续缩减。因此，预测我国的大豆产量对中国未来的经济发展有着极其重要的作用。
大数据文摘作品 编译：王一丁、修竹、阮雪妮、丁慧、钱天培 英伟达昨天一边发布“全球最大的GPU”，一边经历股价跳水20多美元，到今天发稿时间也没恢复过来。无数同学在后台问文摘菌，要不要抄一波底嘞？ 今天用深度学习的序列模型预测股价已经取得了不错的效果，尤其是在对冲基金中。股价数据是典型的时间序列数据。 什么是序列数据呢？语音、文字等这些前后关联、存在内有顺序的数据都可以被视为序列数据。 将序列模型应用于语音和文字，深度学习在语音识别、阅读理解、机器翻译等任务上取得了惊人的成就。 具体怎么操作？效果又如何呢
这些数据是根据国家和地区报告新病例的数据，但我们只想预测国家的新病例，因此我们使用 groupby 根据国家对它们进行分组
本示例说明如何使用长短期记忆（LSTM）网络对序列数据进行分类 。 最近我们被客户要求撰写关于LSTM的研究报告，包括一些图形和统计输出。
大数据文摘转载自数据派THU 作者：Manuel Brenner 翻译：陈之炎 校对：赵茹萱 “对不可见数据的泛化能力是机器学习的核心。” 当前大多数人工智能研究的核心问题是如何将算法泛化到不可见数据。 在机器学习的背景下，大多数模型都是建立在数据是i.i.d.（独立同分布）的基础之上进行训练和评估的，它意味着对于同一个给定任务来说，需要对相同分布的训练数据和测试数据进行采样。泛化意味着需要从训练数据中提取出共享的底层分布。 对数据是i.i.d.的假设往往是一种理想状态，在现实世界中，却不一定行得通，因
LSTM 网络是一种循环神经网络 (RNN)，它通过循环时间步长和更新网络状态来处理输入数据。网络状态包含在所有先前时间步长中记住的信息。您可以使用 LSTM 网络使用先前的时间步长作为输入来预测时间序列或序列的后续值。要训练 LSTM 网络进行时间序列预测，请训练具有序列输出的回归 LSTM 网络，其中响应（目标）是训练序列，其值偏移了一个时间步长。换句话说，在输入序列的每个时间步，LSTM 网络学习预测下一个时间步的值。
【导读】你是不是常常烦恼找不到合适的会议时间？我也经常遇到这种问题。当前人们越来越忙，想要协调合适的会议时间是很困难的。本文中，数据科学家Favio Vázquez介绍了一个基于AI的会议规划系统——
对于金融应用中的深度学习模型，训练数据有限是一个大问题。因为金融时间序列有不规则和尺度不变的特点，很难合成真实数据。
无处不在的缺失值导致多元时间序列数据只能部分观测，破坏了时间序列的完整性，阻碍了有效的时间序列数据分析。近年来，深度学习插补方法在提升损坏时间序列数据质量方面取得了显著的成功，从而提高了下游任务的性能。
时间序列预测问题是预测建模问题中的一种困难类型（点击文末“阅读原文”获取完整代码数据）。
最近Transformer在统一建模方面表现出了很大的威力，是否可以将Transformer应用到时序异常检测上引起了很多学者的研究兴趣。最近来自阿里达摩院、上海交通大学的几位学者就近年来针对时间序列场景中的Transformer模型进行了汇总，在Arxiv上发表了一篇综述。综述涵盖了Transformer针对时序问题下的具体设计，包含预测、异常检测、分类等诸多工业界常用场景，并开源了代码，是非常不错的学习资料。
长短期记忆网络——通常被称为 LSTM，是一种特殊的 RNN，能够学习长期依赖性。由 Hochreiter 和 Schmidhuber（1997）提出的，并且在接下来的工作中被许多人改进和推广。LSTM 在各种各样的问题上表现非常出色，现在被广泛使用。
在这个例子中，我们试图建立一个神经网络来估计一个人的脂肪百分比，这个人由13个物理属性描述。
最近我们被客户要求撰写关于上海空气质量指数的研究报告。本文向大家介绍R语言对上海PM2.5等空气质量数据间的相关分析和预测分析，主要内容包括其使用实例，具有一定的参考价值，需要的朋友可以参考一下
最近我们被客户要求撰写关于上海空气质量指数的研究报告。本文向大家介绍R语言对上海PM2.5等空气质量数据 间的相关分析和预测分析，主要内容包括其使用实例，具有一定的参考价值，需要的朋友可以参考一下
最近我们被客户要求撰写关于上海空气质量指数的研究报告。本文向大家介绍R语言对上海PM2.5等空气质量数据（查看文末了解数据免费获取方式）间的相关分析和预测分析，主要内容包括其使用实例，具有一定的参考价值，需要的朋友可以参考一下（点击文末“阅读原文”获取完整代码数据）。
如今DT（数据技术）时代，数据变得越来越重要，其核心应用“预测”也成为互联网行业以及产业变革的重要力量。
WSDM的英文全称是 The International Conference on Web Search and Data Mining，中文意思是国际互联网检索与数据挖掘会议，由SIGIR、SIGKDD、SIGMOD和SIGWEB四个专委会协调筹办，在互联网搜索、数据挖掘领域享有较高学术声誉，被中国计算机协会推荐为B类会议。在清华大学最新发布的新版计算机学科推荐学术会议和期刊列表中，WSDM已被列为准A类学术会议。
【视频】Copula算法原理和R语言股市收益率相依性可视化分析 R语言时间序列GARCH模型分析股市波动率 【视频】量化交易陷阱和R语言改进股票配对交易策略分析中国股市投资组合 使用R语言对S＆P500股票指数进行ARIMA + GARCH交易策略 R语言量化交易RSI策略：使用支持向量机SVM R语言资产配置: 季度战术资产配置策略研究 R语言动量交易策略分析调整后的数据 TMA三均线股票期货高频交易策略的R语言实现 R语言时间序列：ARIMA / GARCH模型的交易策略在外汇市场预测应用 R语言基于Garch波动率预测的区制转移交易策略 r语言多均线股票价格量化策略回测 使用R语言对S＆P500股票指数进行ARIMA + GARCH交易策略 Python基于粒子群优化的投资组合优化研究 R语言Fama-French三因子模型实际应用：优化投资组合 R语言动量和马科维茨Markowitz投资组合(Portfolio)模型实现 Python计算股票投资组合的风险价值（VaR） R语言Markowitz马克维茨投资组合理论分析和可视化 R语言中的广义线性模型（GLM）和广义相加模型（GAM）：多元（平滑）回归分PYTHON用RNN神经网络LSTM优化EMD经验模态分解交易策略分析股票价格MACD R语言深度学习：用keras神经网络回归模型预测时间序列数据 【视频】CNN（卷积神经网络）模型以及R语言实现回归数据分析 Python TensorFlow循环神经网络RNN-LSTM神经网络预测股票市场价格时间序列和MSE评估准确性 数据分享|PYTHON用KERAS的LSTM神经网络进行时间序列预测天然气价格例子 Python对商店数据进行lstm和xgboost销售量时间序列建模预测分析 Matlab用深度学习长短期记忆（LSTM）神经网络对文本数据进行分类 RNN循环神经网络 、LSTM长短期记忆网络实现时间序列长期利率预测 结合新冠疫情COVID-19股票价格预测：ARIMA，KNN和神经网络时间序列分析 深度学习：Keras使用神经网络进行简单文本分类分析新闻组数据 用PyTorch机器学习神经网络分类预测银行客户流失模型 PYTHON用LSTM长短期记忆神经网络的参数优化方法预测时间序列洗发水销售数据 Python用Keras神经网络序列模型回归拟合预测、准确度检查和结果可视化 Python用LSTM长短期记忆神经网络对不稳定降雨量时间序列进行预测分析 R语言中的神经网络预测时间序列：多层感知器（MLP）和极限学习机（ELM）数据分析报告 R语言深度学习：用keras神经网络回归模型预测时间序列数据 Matlab用深度学习长短期记忆（LSTM）神经网络对文本数据进行分类 R语言KERAS深度学习CNN卷积神经网络分类识别手写数字图像数据（MNIST） MATLAB中用BP神经网络预测人体脂肪百分比数据 Python中用PyTorch机器学习神经网络分类预测银行客户流失模型 R语言实现CNN（卷积神经网络）模型进行回归数据分析 SAS使用鸢尾花(iris)数据集训练人工神经网络(ANN)模型 【视频】R语言实现CNN（卷积神经网络）模型进行回归数据分析 Python使用神经网络进行简单文本分类 R语言用神经网络改进Nelson-Siegel模型拟合收益率曲线分析 R语言基于递归神经网络RNN的温度时间序列预测 R语言神经网络模型预测车辆数量时间序列 R语言中的BP神经网络模型分析学生成绩 matlab使用长短期记忆（LSTM）神经网络对序列数据进行分类 R语言实现拟合神经网络预测和结果可视化 用R语言实现神经网络预测股票实例 使用PYTHON中KERAS的LSTM递归神经网络进行时间序列预测 python用于NLP的seq2seq模型实例:用Keras实现神经网络机器翻译 用于NLP的Python：使用Keras的多标签文本LSTM神经网络分类
众自20世纪80年代至今，随着改革开放的深入以及中国最终加入WTO，我国的对外贸易实现了跨越式的发展，中国已经成为世界第一大出口国和第二大进口国，中国经济对世界经济做出了重大贡献（点击文末“阅读原文”获取完整代码数据）。
选自towardsdatascience 作者：Bryan Tan 机器之心编译 编辑：魔王、陈萍 本文介绍了 TCN 在股市趋势预测任务中的应用，表明在集成新闻事件和知识图谱后，TCN 的性能大幅超过 RNN。 本文主要介绍了以下几部分内容： 1. 金融时间序列（FTS）中的深度学习背景介绍； 2. 值得关注的 FTS 数据处理实践； 3. 时间卷积网络（TCN）； 4. 时间卷积网络在 FTS 中的应用实例； 5. 基于 TCN 的知识驱动股市趋势预测与解释。 1. 背景介绍 金融时间序列（FTS）建
领取专属 10元无门槛券
手把手带您无忧上云
