应用时间序列分析（时间序列分析和预测建模-76页大综述）

Time Series Analysis and Modeling to Forecast: a Survey

多年来，用于预测目的的时间序列建模一直是机器学习的一个活跃研究领域。然而，迄今为止还没有提供足够全面且同时具有实质性的调查。本次调查力求满足这一需求。本汇编的整个部分采用了统一的表示形式。一条红线引导读者从时间序列预处理到预测。时间序列分解是一项主要的预处理任务，用于将非平稳效应（确定性成分）与假设为平稳的剩余随机成分分开。确定性成分是可预测的，并通过估计或外推对预测做出贡献。将最合适的模型拟合到剩余的随机分量旨在捕捉过去和未来值之间的关系，允许预测。我们涵盖了足够广泛的模型，同时提供了实质性的方法论发展。我们描述了三个主要的线性参数模型，以及两个非线性扩展，并提出了五类非线性参数模型。除了传统的统计模型，我们强调了六类适合非线性框架中时间序列预测的深度神经网络。最后，我们为时间序列建模和预测开辟了新的研究途径。我们还报告了为展示的模型公开提供的软件。并提出五类非线性参数模型。除了传统的统计模型，我们强调了六类适合非线性框架中时间序列预测的深度神经网络。最后，我们为时间序列建模和预测开辟了新的研究途径。我们还报告了为展示的模型公开提供的软件。并提出五类非线性参数模型。除了传统的统计模型，我们强调了六类适合非线性框架中时间序列预测的深度神经网络。最后，我们为时间序列建模和预测开辟了新的研究途径。我们还报告了为展示的模型公开提供的软件。

全文下载：https://arxiv.org/pdf/2104.00164.pdf