时间序列预测是一种根据历史时间序列数据来预测未来值的方法。
1. 应用场景
- 金融：股票价格预测、汇率预测、利率预测 企业资金流量预测、金融机构资金流动性预测 GDP预测、CPI预测
- 能源：电力负荷预测、风力发电功率预测、光伏发电功率预测、工业能源消费预测、居民能源消费预测、电力市场价格预测、能源商品交易量预测
- 交通：交通流量预测、行驶速度预测、交通运行指数预测
2. 任务场景分类
- 单变量单步：根据一个时间序列变量的历史数据来预测该变量未来一个时间步的值
- 单变量多步：根据一个时间序列变量的历史数据来预测该变量未来多个时间步的值
- 多变量单步：根据多个时间序列变量的历史数据来预测目标变量未来一个时间步的值
- 多变量多步：根据多个时间序列变量的历史数据来预测目标变量未来多个时间步的值
3. 算法选择
不论是传统机器学习算法还是深度学习算法，解决方案主要是将时序数据处理成二维的结构化数据集，训练机器学习模型进行预测。
- 基于统计学的经典时序预测算法：简单平均、指数平滑、AR、MA、ARIMA...
- 深度学习算法：RNN类算法、基于大模型的iTransformer...
- 传统机器学习算法：回归模型均可，如线性回归、决策树、随机森林、XGBoost、LightGBM、SVM...
案例汇总
电力负荷预测案例