网站流量预测任务第一名解决方案：从GRU模型到代码详解时序预测.docxVIP

? ? ? ? ? 网站流量预测任务第一名解决方案 从GRU模型到代码详解时序预测 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 下面我们将简要介绍如何修正 GRU 以完成网站流量时序预测。 AI项目体验地址 https://loveai.tech 预测有两个主要的信息源： 局部特征。我们看到一个趋势时，希望它会继续（自回归模型）朝这个趋势发展；看到流量峰值时，知道它将逐渐衰减（滑动平均模型）；看到假期交通流量增加，就知道以后的假期也会出现流量增加（季节模型）。 全局特征。如果我们查看自相关（autocorrelation）函数图，就会注意到年与年之间强大的自相关和季节间的自相关。 我决定使用 RNN seq2seq 模型进行预测，原因如下： RNN 可以作为 ARIMA 模型的自然扩展，但是比 ARIMA 更灵活，更具表达性。 RNN 是非参数的，大大简化了学习。想象一下对 145K 时序使用不同的 ARIMA 参数。 任何外源性的特征（数值或类别、时间依赖或序列依赖）都可以轻松注入该模型。 seq2seq 天然适合该任务：我们根据先前值（包括先前预测）的联合概率（joint probability）预测下一个值。使用先前预测可保持模型稳定，因为误差会在每一步累积，如果某一步出现极端预测，则有可能毁了所有后续步的预测质量。 现在的深度学习出现了太多的炒作