分类目录归档：时间序列预测
TSLib 是由清华大学机器学习实验室（THUML）开源的面向深度学习研究者的时间序列分析工具库，核心聚焦于深度时间序列模型的评测与研发，是一个功能全面、易扩展的代码基准库。
提供整洁、统一的代码框架，支持长短期预测、缺失值插补、异常检测、分类五大主流时间序列任务，同时适配大型时间序列模型（LTSM）的零样本预测评估，既可以复现SOTA模型，也能快速开发自定义模型。
覆盖数十种主流/前沿时间序列模型，且持续更新： - 经典基础模型：Transformer、Informer、Auto...
TSLib 是一个开源的深度学习库，专为深度学习研究人员设计，尤其适用于深度时间序列分析。该库提供了简洁的代码基础，用于评估先进的深度时间序列模型或开发新模型，涵盖了五个主流任务：长期和短期预测、缺失值填补、异常检测和分类。
PyFlux 是一个专为 概率时间序列分析 设计的 Python 库，它将现代统计模型与贝叶斯推断框架相结合，提供了从数据预处理到模型诊断的完整工作流程。以下是该库所有核心功能的系统性介绍。
PyFlux 的设计基于三个支柱： - 贝叶斯优先：默认使用 MCMC 等贝叶斯方法进行参数估计，提供完整的后验分布而非点估计 - 状态空间统一：多数模型可表示为状态空间形式，统一处理观测方程和状态方程 - 模块化架构：模型构建、参数估计、预测和诊断相互独立，可灵活组合
pf...在金融时间序列分析中，“波动”是一个核心概念，它直接关系到风险评估、资产定价和投资决策。传统的统计模型通常假设数据的方差恒定（即“同方差”），但金融数据（如股票收益率、汇率波动）往往表现出“波动聚类”特征——大的波动之后往往跟随大的波动，小的波动之后往往跟随小的波动，这种方差随时间变化的特性被称为“异方差”。GARCH模型正是为捕捉这种动态波动特性而设计的经典工具。
GARCH模型的全称是广义自回归条件异方差模型（Generalized Autoregressive Conditional Heteroskedasticity Mode...
在实际深度学习时序预测中，“数据量小/大”没有绝对标准，但有一些经验参考：
数据量小：
通常指样本数低于几千条（如<2000~3000），或者训练集天数少于1年（A股5分钟数据一天48条，1年约1万条）。 特征维度多时，样本数/特征数比值低于10~20，也算偏小。 小数据下，复杂模型（如一次性多步Seq2Seq）容易过拟合，递归单步预测更稳健。 数据量大：
样本数达到几万条以上（如>10000~20000），或训练集覆盖2年以上。 特征维度不多时，样本数/特征数比值高于50~100。 大数据下，一次性多步预测模型能学到更复杂的时序关系，效果更好。 预测步数（序列长度）：
短步...
在时间序列预测中，确定性过程建模是指识别和建模时间序列中那些非随机、可预测、有规律可循的组成部分。这些成分通常由已知的、固定的模式驱动，而不是由随机波动主导。
理解时间序列的典型分解有助于理解确定性过程：
以下是常见的时间序列预测模型的分类梳理，以Markdown表格形式呈现：
| 类别 | 模型名称 | 核心描述 | 适用场景 |
|---|---|---|---|
| 传统统计模型 | AR (自回归模型) | 用历史值的线性组合预测未来值 | 平稳序列，短期预测 |
| MA (移动平均模型) | 用历史白噪声的线性组合预测未来 | 平稳序列，噪声处理 | |
| ARMA | AR与MA的组合模型 | 平稳时间序列 | |
| ARIMA | 加入差分处理的ARMA扩展 | 非平稳序列（需差分平稳化） | |
| SARIMA | 加入季节性差分的ARIMA | 具有季节性的非平稳序列 | |
| ETS (指数平滑) | 加权平均历史观测值（含趋势/季节分量） | 趋势和季节性... |
在金融、气象、交通等领域，精准预测未来趋势至关重要。传统LSTM模型虽擅长捕捉序列中的复杂模式，但它通常只给出一个“点预测”——即一个确定性的未来值。现实中，预测总伴随不确定性。PI-LSTM（Prediction Interval LSTM） 应运而生，它的核心目标不仅是预测“最可能的值”，还要清晰告诉使用者预测结果可能的波动范围有多宽——这就是预测区间（Prediction Interval, PI）。
想象预测明天股市收盘价： * 普通LSTM模型告诉你：“预测明天收盘是3050点。” * PI-...
在金融、气象、工业监控等领域，时间序列预测是核心任务。传统模型如ARIMA、LSTM常面临挑战：难以同时捕捉复杂的时间变化模式（如突变、周期性）。2023年，清华团队提出的TimesNet模型突破这一瓶颈，成为时间序列分析的新星。它无需复杂数学公式，就能带我们理解其精妙之处。
想象医生查看心电图： - 局部视角（传统CNN）：只能看到当前心跳的波形，忽略心跳间的规律。 - 长程视角（传统RNN）：能记住过去多次心跳，但细节易模糊。
更关键的是，真实时间序列像交织的绳索： - 变化周期多样：日气温（2...
ARIMA（Autoregressive Integrated Moving Average），即自回归综合移动平均模型，是时间序列预测领域最经典、应用最广泛的工具之一。它擅长捕捉数据中的趋势、季节性和内在依赖关系，用于预测未来的数据点。
ARIMA模型认为，一个时间序列的值主要受三方面因素影响：