https://zhuanlan.zhihu.com/p/67832773

这本来是我回答的一个问题：有什么好的模型可以做高精度的时间序列预测呢？ - BINGO Hong的回答 - 知乎 https://www.zhihu.com/question/21229371/answer/533770345

但觉得在那个答案下一直更新好麻烦，干脆就移到自己主页文章好了。

以后会在这里更新，原答案不更新了。

1. 时间序列基本规则法-周期因子法

2. 线性回归-利用时间特征做线性回归

• 提取时间的周期性特点做为特征，此时训练集每条样本为"时间特征->目标值"，时间序列的依赖关系被剔除，不需要严格依赖滑窗截取训练样本。常见是将时间用0-1哑变量表达，有以下若干种特征：
  • 将星期转化为了0-1变量，从周一至周天，独热编码共7个变量
  • 将节假日转化为0-1变量，视具体节假日数目，可简单分为两类，"有假日"-"无假日"，独热编码共2个变量；或赋予不同编码值，如区分国庆、春节、劳动节等使用1、2、3表示
  • 将月初转化为0-1变量，简单分两类表示为"是月初"-"非月初"，共2个特征
  • 类似的月中、月初可以转化为0-1变量
  • 控制时间粒度，区分是weekday or weekend
• 观察序列，当序列存在周期性时，线性回归也可做为baseline

3.传统时序建模方法，ARMA/ARIMA等线性模型。参考：

• 差分方法可消除正相关但同时引入负相关
• AR项可消除正相关，MA项消除负相关
• AR项和MA项作用会相互抵消，通常包含两种要素时可尝试减少某项，避免过拟合
• 季节性分析
• 数据中有季节性因素，与整体趋势相比显得比较弱。原文: Investigating Seasonality in a Time Series: A Mystery in Three Parts ；中文：干货 | 季节性的分析才不简单，小心不要在随机数据中也分析出季节性

4. 特征工程着手，时间滑窗改变数据的组织方式，使用xgboost/LSTM模型/时间卷积网络等。参考：

5. 转化为监督学习数据集，使用xgboot/LSTM模型/时间卷积网络/seq2seq(attention_based_model)。参考：

• 算法上可以引入注意力机制的seq2seq模型，见过纯粹的seq2seq解法，结合注意力机制的还没见过开源代码(可能是搜索不够仔细)。
• 注意力机制资料：