基于机器学习的时间序列预测关键技术研究_朱成璋

资 源 简 介

基于机器学习的时间序列预测关键技术研究_朱成璋

详 情 说 明

时间序列预测是机器学习领域的重要研究方向，尤其在金融、气象和工业领域具有广泛应用。朱成璋的研究系统性地梳理了该技术的关键环节与核心挑战。

首先在数据预处理阶段，时间序列需进行平稳性检验（如ADF检验）和异常值处理，这对模型鲁棒性至关重要。特征工程方面，除了传统的滑动窗口统计特征，研究强调了时序特征提取技术，包括傅里叶变换提取频域特征和自动特征生成方法。

模型选择上，该研究对比了三大类方法：传统时序模型（如ARIMA）、经典机器学习模型（如XGBoost处理非线性特征）和深度学习方法（如LSTM捕捉长期依赖）。值得注意的是，研究指出混合模型（如Prophet+XGBoost）在复杂周期预测中的优势。

评估环节提出了多维度指标体系，除常见的MAE、RMSE外，还引入方向准确性指标（DA）评估趋势预测能力。研究特别强调，实际应用中需根据业务场景定制损失函数，例如金融预测更关注极端值的捕捉能力。