[论文解读] Time Series Analysis and Modeling to Forecast: a Survey

Fatoumata Dama, Christine Sinoquet|arXiv (Cornell University)|Mar 31, 2021

Stock Market Forecasting Methods参考文献 138被引用 30

一句话总结

一个覆盖分解、平稳性检验、线性/非线性模型和深度学习的时间序列预测全面综述，并提供实际实现指导。

ABSTRACT

Time series modeling for predictive purpose has been an active research area of machine learning for many years. However, no sufficiently comprehensive and meanwhile substantive survey was offered so far. This survey strives to meet this need. A unified presentation has been adopted for entire parts of this compilation. A red thread guides the reader from time series preprocessing to forecasting. Time series decomposition is a major preprocessing task, to separate nonstationary effects (the deterministic components) from the remaining stochastic constituent, assumed to be stationary. The deterministic components are predictable and contribute to the prediction through estimations or extrapolation. Fitting the most appropriate model to the remaining stochastic component aims at capturing the relationship between past and future values, to allow prediction. We cover a sufficiently broad spectrum of models while nonetheless offering substantial methodological developments. We describe three major linear parametric models, together with two nonlinear extensions, and present five categories of nonlinear parametric models. Beyond conventional statistical models, we highlight six categories of deep neural networks appropriate for time series forecasting in nonlinear framework. Finally, we enlighten new avenues of research for time series modeling and forecasting. We also report software made publicly available for the models presented.

研究动机与目标

• 提供一个基于信息充分、独立完整的时间序列预测从预处理到预测的概述。
• 在广泛的方法学框架下统一分解、平稳性分析和建模。
• 为从业者桥接经典统计方法与现代深度学习方法。
• 突出可用的软件实现并确定未来研究方向。

提出的方法

• 从时间序列预处理到预测，提出一个统一框架。
• 回顾平稳性概念和检验，包括强平稳性/弱平稳性。
• 描述时间序列分解为确定性和随机性成分。
• 详细介绍三大线性模型、两个非线性扩展和五个非线性模型类别。
• 在非线性框架下讨论用于时间序列预测的深度学习方法。
• 提供模型评估方面的指南并提供软件实现。

实验结果

研究问题

• RQ1 时间序列分析中的主要预处理、分解和预测步骤是什么？
• RQ2 哪些线性和非线性模型适用于预测，以及平稳性与非平稳性如何影响它们？
• RQ3 深度神经网络如何在传统方法的同时融入时间序列预测？
• RQ4 有哪些软件资源可用于实现所评估的模型和检验？
• RQ5 时间序列预测的开放研究方向和未来前景是什么？

主要发现

• 据作者所知，这是第一份专注于时间序列预测的全面综述。
• 本文提供了分解框架以及线性/非线性模型的统一呈现。
• 它解释了平稳性与线性之间的联系，以帮助非专业人士实现理论与实践的桥接。
• 该综述涵盖传统方法和用于预测的现代深度学习改编。
• 它包括通过公开可用的 R 和 Python 资源进行实现的指南，并概述未来的研究方向。