今年3月發布的時候用過，最近才想起來看...

首先，它是一個工業級的應用，在時間序列預測的模型上不是一個很大的創新。

我記得今年參加貓眼電影票房預測的內部分享時，我坐在一個外賣pM旁邊。最后，對方問我有沒有辦法預測外賣的訂單量。當時想了想，比如Holt- ，或者deep LSTM，好像沒那么容易解釋。

時間序列預測對大多數公司都有必要的需求，例如電子商務預測GMV，外賣O2O預測量波動以促進容量分配，酒店預測客房和夜間量以調整定價和銷售等等。但總的來說，時間序列預測對很多公司來說都是一個難題。主要原因是時間序列預測本身除了是玄學（fog）之外，還需要分析師兼具深厚的專業領域知識（）和時間序列建模的統計知識。此外，時間序列模型的調優也是一項相對復雜繁瑣的工作。

就是這種背景下的產品。時間序列建模的一些常用流程和參數，用于讓不懂統計學的業務分析人員能夠快速構建出滿足自己需求的相對實用的模型。

許多業務活動都有特定的時間依賴模式。作者以上述用戶創建的“事件”()為例：

可以看到用戶創建的事件數量具有明顯的時間序列特征：多個周期性、趨勢、假期效應和一些異常值。

然后作者使用了R包中的幾種常用的時間序列預測技術（指數平滑等）來建模，效果很恐怖：

圖1是，圖2是指數平滑，圖3是，圖4是。

模型結構

本質是一個加法模型，基本形式如下：

哪里

這是一個趨勢項目，

是句號stan概率編程工具，

這是一個節日項目，

是誤差項，服從正態分布。

趨勢模型

兩個趨勢模型用于

：飽和增長模型（）和分段線性模型（）。兩種模型都包含不同程度的假設和一些調整平滑度的參數，并通過選擇變化點來預測趨勢變化（）。具體推導不寫，只寫最終形式：

：

：

時期模型

使用傅里葉級數()建立周期模型：

N的調整起到了低通濾波（low-pass）的作用。筆者表示，對于年周期和周周期，分別選擇N為10和3，效果更好。

假期和緊急情況模型

節假日需要用戶提前指定stan概率編程工具，每個節假日包括前后幾天。模型的形式如下（感覺像虛擬變量）：

模型性能

還是用上面的例子，作者給出了模型擬合和預測能力：

似乎比之前用R做的效果好很多，而且不需要用戶有很強的統計背景就可以輕松建模。

同時支持將模型分解為單獨的組件，實現簡單，只需要調用一行代碼nts：

適用范圍

顯然，它只適用于具有明顯內部規律（或模式）的商業行為數據。

雖然日常數據系列通常用于官方案例，但也支持更短的時間段，例如小時數據。

但是對于沒有明顯趨勢和周期性的時間序列，預測是不合適的。比如有同學曾經預測滬深300...更不用說有效市場假說（EMH），它否定了歷史數據擬合未來價格的可能性。即使市場有規律，也不能用一般模型簡單地線性分解。進入趨勢和周期。

我自己首先嘗試根據內部歷史數據對公司風險控制的潛在損失做一個簡單的預測，但顯然沒有證據可以解釋過去的序列特征（如風險集中度、外部環境影響、公司級合并等）會在2017年重演。所以充其量只是用來寫周報，為2017年的風控預算做點小貢獻...

總結

是一個比較好用的預測工具，特別適合像我這樣持有ets和auto的人。他們懶得自動確定順序和選擇模型（逃……

對業務分析師非常友好，因為原理很簡單，而且很容易上手R和。

通常可以給出很好的預測結果。比如我對某些業務條線的交易數據進行了預測，發現大部分都可以，“春節效應”等中國特色也能更準確。

當前名稱：時間序列預測對不少公司來說是一個難題的創新？
URL分享：http://m.newbst.com/news13/299113.html

成都網站建設公司_創新互聯，為您提供建站公司、關鍵詞優化、搜索引擎優化、面包屑導航、虛擬主機、商城網站

廣告

聲明：本網站發布的內容（圖片、視頻和文字）以用戶投稿、用戶轉載內容為主，如果涉及侵權請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網站立場，如需處理請聯系客服。電話：028-86922220；郵箱：631063699@qq.com。內容未經允許不得轉載，或轉載時需注明來源： 創新互聯