Previsión de series temporales: de ARIMA a LSTM

Question

Estoy buscando recursos sobre las técnicas de previsión de series temporales. Parece que hay tres enfoques, que se enumeran a continuación en el orden de su aprendizaje automático (y, en consecuencia, su avidez por los datos):

• Modelos ARIMA y GARCH
• Modelos de Markov ocultos (HMM)
• Redes neuronales: RNNs, LSTMs, GRUs

En cuanto a las fuentes, ARIMA/GARCH no plantean problemas - hay una gran cantidad de libros, notas, tutoriales, etc. Los HMM también están bien cubiertos, pero aún no he visto nada donde se apliquen a las series temporales. Por último, los recursos sobre RNN/LSTM/GRU parecen ser escasos, quizás debido a la relativa novedad de este dominio.

Agradeceré recomendaciones de libros/artículos sobre estas técnicas y su aplicación a las series temporales. Si quieres publicar tu propia visión general del tema, también será muy apreciado.

Answer 1

Hay un par de buenos artículos de revisión sobre el tema del aprendizaje profundo para la previsión:

• Previsión neuronal: Introducción y bibliografía visión general
• Redes neuronales recurrentes para la previsión de series temporales: Estado actual y direcciones futuras y direcciones futuras
• Y una muy buena presentación del equipo de amazon

Sin embargo, una advertencia: soy un gran fan de las previsiones basadas en LSTM y las defiendo mucho en mis diferentes funciones. Pero sería el primero en decir que hay que ir con mucho, mucho cuidado: El número de casos de uso en los que los LSTM ofrecen una ventaja sobre los modelos estadísticos tradicionales es muy limitado, y el aprendizaje profundo está muy lejos de ser un tema teórico establecido, como lo son los modelos ARIMA o de espacio de estado.

Answer 2

Los métodos "clásicos" comprenden mucho más que ARIMA y GARCH (que abordan cuestiones diferentes, y al menos ARIMA no es muy útil para la previsión ), por ejemplo, la descomposición, el alisado exponencial, etc. Recomiendo este muy buen libro de texto gratuito en línea de Athanasopoulos & Hyndman .

Estoy de acuerdo en que hay muy poco en términos de libros de texto sobre HMMs o NNs como se utiliza para la previsión, y yo estaría interesado en cualquier punteros.

Mirando reseñas de libros en el Revista Internacional de Previsión puede ser útil (aunque hay que reconocer que la lista de resultados de la búsqueda no lo es).

Answer 3

La combinación de ecuaciones diferenciales (por ejemplo, ODE de modelos SIR) y HMM se utiliza a menudo en epidemiología. Los estados ocultos se modelan como ODE y el proceso de observación se modela como HMM. Un ejemplo es pompa . El modelo se entrena a partir de los datos existentes y produce previsiones sobre el futuro. Otro objetivo de este tipo de modelos es comprender los parámetros relacionados con la epidemiología. Se pueden encontrar más ejemplos en aquí y esto libro