分类
分类方式：预测步长（单步预测、多步预测）、输入变量（单变量、多变量）、输出结果、目标个数
特征
可以从时域、频域、时频结合角度构建时间序列特征。其中时域比较常见，诸如加窗口统计或者lag；频域代表方法为FFT，预测时不太实用；时频结合如EMD分解等，预测时会存在数据泄露的问题，其实也不太实用。但是这两种方法比较难理解，简单介绍一下。
频域FFT
参考知乎文章https://www.zhihu.com/question/279808864/answer/552617806
首先要了解傅里叶变换的概念，对满足狄里赫利(Dirichlet)条件的周期信号做傅里叶变换可以得到一组傅里叶级数，其可以表示为：
其中w为频率。傅里叶级数能够将任何周期信号分解成一个（甚至是由无穷多个元素组成的）简单振荡信号的集合，如下图所示。
对于周期信号，既然知道了其中的各个成分是成谐波关系的，那么频率成分就确定了。所以在不考虑相位差的情况下，问题关键是如何得到这些成谐波关系的正弦信号前的系数（或者说，谐波的幅值，也即是各个成分的大小）。而傅里叶变换的公式恰恰就给了我们解决该问题途径。傅里叶变换存在的缺陷是：不能刻画时间域上信号的局部特性；对突变和非平稳信号的效果不好，没有时频分析。这个问题可以使用短时傅里叶变换（STFT）解决，对于加窗傅立叶变换让人头疼的就是窗口的大小问题，如果我们让窗口的大小可以改变，不就完美了吗？答案是肯定的，小波就是基于这个思路，但是不同的是。STFT是给信号加窗，分段做FFT；而小波变换并没有采用窗的思想，更没有做傅里叶变换。小波直接把傅里叶变换的基给换了——将无限长的三角函数基换成了有限长的会衰减的小波基。这样不仅能够获取频率，还可以定位到时间。
时频
小波变换
参考文章https://www.cnblogs.com/jfdwd/p/9249850.html
傅立叶变换和小波变换，都会听到分解和重构，其中这个就是根本，因为他们的变化都是将信号看成由若干个东西组成的，而且这些东西能够处理还原成比原来更好的信号。
而对于傅立叶变换的基是不同频率的正弦曲线，所以傅立叶变换是把信号波分解成不同频率的正弦波的叠加和，而对于小波变换就是把一个信号分解成一系列的小波。小波做的改变就在于，将无限长的三角函数基换成了有限长的会衰减的小波基。
从公式可以看出，不同于傅里叶变换，变量只有频率ω，小波变换有两个变量：尺度a（scale）和平移量 τ（translation）。尺度a控制小波函数的伸缩，平移量 τ控制小波函数的平移。尺度就对应于频率（反比），平移量 τ就对应于时间
希尔伯特黄变换
参考https://zhuanlan.zhihu.com/p/124257081
希尔伯特黄变换(Hilbert-Huang)包括两部分工作，分别是经验模态分解（EMD）和希尔伯特变换（HT）。EMD经验模态分解，美国工程院士黄锷博士于1998年提出的一种信号分析方法。是一种自适应的数据处理或挖掘方法，非常适合非线性，非平稳时间序列的处理，本质上是对数据序列或信号的平稳化处理。
EMD最显著的特点，就是其 克服了基函数无自适应性 的问题。啥意思呢？回忆小波分析部分的内容，我们会知道小波分析是需要选定某一个小波基的，小波基的选择对整个小波分析的结果影响很大，一旦确定了小波基，在整个分析过程中将无法更换，即使该小波基在全局可能是最佳的，但在某些局部可能并不是，所以小波分析的基函数缺乏适应性。
EMD的好处是对于一段未知信号，不需要做预先分析与研究，就可以直接开始分解。这个方法会自动按照一些固模式按层次分好，而不需要人为设置和干预。EMD 方法在理论上可以应用于任何类型的时间序列（信号）的分解，因而在处理非平稳及非线性数据上，比之前的平稳化方法更具有明显的优势。
经过EMD分解出的IMF分量再经过Hilbert变换，最终得到信号瞬时频率和瞬时幅值”的方法叫做希尔伯特黄变换。HHT的结果反映的是信号的时频特征，即信号的频域特征随时间变化的规律。相对于傅里叶变化得到的是信号的频率组成，HHT还可以获取频率成分随时间的“变化”。HHT可以对局部特征进行反映，这点主要得益于EMD的作用。EMD可以自适应地进行时频局部化分析，有效提取原信号的特征信息。“分解”往往可以对应着“重构”，从HHT结果中选择出满足要求的特征分量并重组信号，有利于将关注的特征从复杂的混合信号中分离出来。由于这些优点，HHT方法与短时傅里叶变换（STFT）和小波变换（wavelet）等方法共同成为了时频域分析界的重要手段。
预测方法
SMA
适用于单步预测，最够趋于稳定；
AR自回归预测
对于有较强周期性的数据表现良好；
ARIMA（baseline）
同时识别周期性和趋势性变化
LSTM
遗忘门和记忆门用于记录趋势信息