Machine Learning Algorithms for Time Series Analysis and Forecasting
用于时间序列分析与预测的机器学习算法AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确综述时间序列分析与预测流程及模型，两项细分有直接文本依据，未限定具体经济应用。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
用于时间序列分析与预测的机器学习算法
- 研究问题
- 时间序列预测从预处理到验证包含哪些环节，统计模型、深度学习模型及混合模型分别有哪些常见方法？
- 方法与思路
- 作者采用方法综述，介绍完整预测流程，并讨论 ARIMA、Prophet、LSTM 及机器学习混合模型等预测工具。
- 材料陈述的贡献
- 摘要称综述帮助读者理解预测流程并认识当时使用的模型；未陈述新的估计方法、统一理论或模型性能比较结果。
- 阅读关注点
- 核对文献覆盖范围、方法分类与验证建议，特别检查时间顺序划分、预处理信息泄漏及各模型适用条件是否充分讨论。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或获期刊接收；摘要未说明综述检索规则，也不能据此认定模型当前最先进。
原文摘要
Time series data is being used everywhere, from sales records to patients' health evolution metrics. The ability to deal with this data has become a necessity, and time series analysis and forecasting are used for the same. Every Machine Learning enthusiast would consider these as very important tools, as they deepen the understanding of the characteristics of data. Forecasting is used to predict the value of a variable in the future, based on its past occurrences. A detailed survey of the various methods that are used for forecasting has been presented in this paper. The complete process of forecasting, from preprocessing to validation has also been explained thoroughly. Various statistical and deep learning models have been considered, notably, ARIMA, Prophet and LSTMs. Hybrid versions of Machine Learning models have also been explored and elucidated. Our work can be used by anyone to develop a good understanding of the forecasting process, and to identify various state of the art models which are being used today.