一、资源简介
今天给大家分享一份关于时间序列上机器学习建模处理的教程，这份资料简要直观地概述可用于解决大规模时间序列预测问题的重要方法和工具。这份资料回顾了三个相关领域的最新技术：（1）经典的时间序列模型，（2）张量分析，（3）深度学习预测。此外，讨论了现实中，构建大规模预测系统的关键任务，包括数据集成，特征生成，回测框架，错误跟踪和分析等。本教程重点是提供方法和实际问题的直观概述，通过案例研究和Jupyter进行说明。
部分作者简介：
Christos Faloutsos：Christos Faloutsos是卡内基梅隆大学的教授，2006年ICDM研究贡献奖，SIGKDD创新奖（2010年），20项“最佳论文”奖（包括两项时间奖项考试）， 和四个教学奖。
Valentin Flunkert ：Valentin Flunkert是亚马逊AWS AI实验室的高级机器学习科学家，
Jan Gasthaus ：Jan Gasthaus是亚马逊AI实验室的高级机器学习科学家，主要从事时间序列预测和大规模概率机器学习。
二、主要内容
时间序列，也叫时间数列、历史复数或动态数列。它是将某种统计指标的数值，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，时间序列预测法其实是一种回归预测方法，属于定量预测，其基本原理是:一方面承认事物发展的延续性，运用过去的时间序列数据进行统计分析，推测出事物的发展趋势；另一方面充分考虑到由于偶然因素影响而产生的随机性，为了消除随机波动产生的影响，利用历史数据进行统计分析，并对数据进行适当处理，进行趋势预测
对于机器学习对时间序列预测模型建模思路主要为：
-
初始数据集：对于时间序列数据来说，训练集即为历史数据，测试集即为新数据。历史数据对应的时间均在时间分割点之前，新数据对应的时间均在分割点之后。
-
数据处理：用“N维数据”来分别给训练集、测试集构建M维预测特征（维度相同），然后用机器学习算法在训练集的预测特征和标签上训练模型，最后通过训练出的模型和测试集的预测特征来计算预测结果（测试集的标签）
-
模型构建：测试集的构建遵循之前的数据处理逻辑，拿历史数据构建历史特征，拿新数据构建未来特征，然后把这些特征加入到从训练集上训练出的预测模型中去，即可得到任务需要的最终预测值。
三、资源分享
同时为了方便大家，我们把最新资料打包好了，加群:1012542425 私聊群主即可免费获取