时间序列分析 | Python实现时间序列不确定性建模_不确定性python

时间序列分析 | Python实现时间序列不确定性建模

基本介绍

基础的时间序列预测任务的目标是给定历史序列，预测未来每个时间点的具体值。这种问题定义虽然简单直接，但是也面临着一些问题。在很多应用场景中，我们不仅希望能预测出未来的具体值，更希望能预测出未来取值不确定性，例如一个概率分布或者取值范围。在很多应用场景中，未来的时间序列本身就具有很强的不确定性，如果能预测出一个取值区间，会对业务决策带来更大的帮助，让我们对未来的最好情况和最差情况心里有个数。
对时间序列进行概率分布或区间估计的方法主要有两种，这篇文章给大家详细介绍一下这两种方法，以及采用这两种方法的经典时间序列预测论文。

研究方法

概率分布建模

• 第一种方法是直接对未来时间序列的概率分布进行建模，其中DeepAR: Probabilistic Forecasting with Autoregressive Recurrent Networks（2017）是这种建模方法的典型工作，采用RNN对时间序列进行概率分布建模。首先假设，待预测的时间序列在每个时间步的取值都服从某种分布，DeepAR对于实值时间序列采用高斯分布的假设。因此，问题转换为，预测每个时间步高斯分布的均值和方差。在模型实现上，RNN在每个时刻输出的隐状态接两个全连接层，第一个全连接用来拟合当前时刻的均值，第二个全连接层拟合的是当前时刻的方差。