CNN做时间序列预测_深度学习与时间序列预测

论文下载地址:

N-BEATS: Neural basis expansion analysis for interpretable time series forecasting​arxiv.org Meta-learning framework with applications to zero-shot time-series forecasting​arxiv.org

code：https://github.com/forecasts-and-nn/n-beats

• 深度学习时间序列预测个人解读

网络结构: 用于时间序列预测的深度学习网络结构包括基于CNN的结构，基于RNN的结构与基于attention的结构。以上述三种结构为基础形成许多的变式, 知乎上讲解的蛮多的，这里不做过多解释。

预测目标：时间序列预测的目标，可以分为值预测与概率预测。值预测就是直接输出预测的值。概率预测不止输出预测的值，也会输出预测值的分布，举一个亚马逊的货物需求预测案例，与直接去预测未来具体的需求值不同，概率预测则预测未来需求值的分布(置信区间)。需求预测是为补货服务的。得到具体的预测值后，补货只需要在预测值上加安全库存。以往的补货的安全库存基于简单的需求正态分布假设，而概率预测中基于过去的数据拟合了更好的概率分布，更好地服务于补货。像这种情况下基于概率分布的预测会更加合理。

未来展望：在深度学习时间序列的发展方面，大概有三个方向，第一是在网络设计中加入领域知识，第二是时间序列模型的可解释性, 第三是时间序列的异常检测与因果推断。

• 深度学习ICLR最新论文解读

在金融领域，时间序列是一个非常重要的构成部分。量化投资领域时间序列预测，有兴趣可翻看之前分享过的KDD融合基金经验的机器学习量化投资建模论文解读，作者将LSTM与股票时间序列进行结合，并且引入graph learning, matrix factorization等技术进行股票投资组合构建。同样，客户违约预测的时间序列预测KDD金融应用论文-信用评估， 将LSTM应用于用户的信用评分中。其他的，还有交易反欺诈，理财产品销量预测，基金相关性预测，资产储备情况预测等等，后续会陆续分享。

本文介绍Bengio团队的两篇单变量时间预测的论文，N-BEATS的文章发表于ICLR2020中，Meta-learning+N-BEATS的文章目前在