深度学习基础与实践 课件 单元八 基于LSTM的数据预测.pptx

数据预测;

数据预测概述

数据预测

数据预测的优势体现在它把一个非常困难的预测问题，转化为一个相对简单的描述问

题，而这是传统小数据集根本无法企及的。

从预测的角度看，大数据预测的目的不仅仅是得到简单、客观的现实业务结论，更重要

的是用于帮助企业经营决策，利用收集的资料引导规划，开发更大的消费力量。;

字序列，按时间先后顺序排到所形成的数列。

时间序列预测法就是通过编制和分析时间序列，根据时间序列所反映出来的发展过程、

方向和趋势，进行类推或延伸，借以预测下一段时间或以后若干年内可能达到的水平。 内容包括：收集与整理某种社会现象的历史资料；

对这些资料进行检查鉴别，排成数列；

分析时间数列，从中寻找该社会现象随时间变化而变化的规律，得出一定的模式；以此

模式去预测该社会现象将来的情况。;

第三步求时间序列的长期趋势(T)季节变动(S)和不规则变动(I)的值，并选定近似的数学

模式来代表它们。

第四步利用时间序列资料求出长期趋势、季节变动和不规则变动的数学模型后，就可以利用它来预测未来的长期趋势值T和季节变动值S，在可能的情况下预测不规则变动值I。然后用以下模式计算出未来的时间序列的预测值Y：

加法模式T+S+I=Y

乘法模式T×S×I=Y;

数据预测概述

时间序列数据特点

时间序列预测法是根据过去的变化趋势预测未来的发展,它的前提是假定事物的过去延续到未

来。时间序列分析,正是根据客观事物发展的连续规律性,运用过去的历史数据,通过统计分

析,进一步推测未来的发展趋势。

时间序列数据变动存在着规律性与不规律性。时间序列中的每个观察值大小,是影响变化的各

种不同因素在同一时刻发生作用的综合结果。从这些影响因素发生作用的大小和方向变化的;

相关方法介绍

时间序列预测法分类

时间序列预测法可用于短期、中期和长期预测。时间序列预测方法有：

周期因子法

线性回归

传统时序建模方法

时间序列分解

XGBoost/LSTM/时间卷积网络

Seq2seq(attention_based_model)

Facebook-prophet

深度学习网络(CNN+RNN+Attention)

时间序列转化为图像使用卷积神经网络模型分析;

提取时间序列的周期性特征进行预测，观察序列，当序列存在周期性时，可以用周期因子法做为

baseline。如：在天池大数据竞赛-资金流入流出预测场景中，每天都涉及大量的资金流入和流出，资金管理压力会非常大。在既保证资金流动性风险最小，又满足日常业务运转的情况下，精准地预测资金的流入流出情况变得尤为重要。;

[1,0,0,0,0,0,0]，星期二为[0,1,0,0,0,0,0]……

将节假日转化为0-1变量，可简单分为两类，“有假日”-“无假日”，独热编码共2个变

量；或赋予不同编码值，如区分国庆、春节、劳动节等使用1、2、3表示。

将月初转化为0-1变量，简单分两类表示为“是月初”-“非月初”，共2个特征。类似的月中、月末也可以转化为0-1变量。

(哑变量：是指使用一些数值上虚拟的值去代替无法直接纳入统计分析的变量，即无法量化的变

量，如性别，可用0表示男，1表示女，但实际的01并没有数值01意义。);

而变化的序列)，称这个非平稳序列为差分平稳序列。对差分序列就可以使用ARIMA(auto

regressiveintegrationmovingaveragemodel)模型进行拟合，ARIMA模型一共有三个参数(p,

，p，q根据所给数据求自相关函数和偏相关函数确定，d为差分阶数。

差分法一般有一阶差分，二阶差分等，所谓差分就是用后一个数去减前面一个数得到的值。差分方法可消除正相关但同时引入负相关。

AR(自动回归)项可消除正相关，MA(滑动平均)项消除负相关。

AR项和MA项作用会相互抵消，通常包含两种要素时可尝试减少某项，避免过拟合。;

T：指预测变量随时间变化朝着一定方向呈现出持续稳定地上升、下降或平稳的趋势。

S：指预测变量受季节性影响，按照固定周期呈现周期波动变化。

C：指预测变量按不固定的周期呈现波动变化。

I：指预测变量受偶然因素的影响呈现出不规则的波动变化。

加法模式：综合考虑多个部分T+S+C+I

乘法模式：综合考虑多个部分T*S*C*I;

。

XGBoost是Boosting算法的其中一种，Boosting算法的思想是将许多弱分类器集成在一起，

形成一个强分类器。因为XGBoost是一种提升树模型，所以它是将许多树模型集成在一起，形成一个很强的分类器。

LongShortTermMemorynetworks(以