大家好，时间序列分类相信很多的网友都不是很明白，包括时间序列有哪些也是一样，不过没有关系，接下来就来为大家分享关于时间序列分类和时间序列有哪些的一些知识点，大家可以关注收藏，免得下次来找不到哦，下面我们开始吧！
本文目录
一、时间序列预测法的分类
1、时间序列预测法可用于短期、中期和长期预测。根据对资料分析 *** 的不同，又可分为：简单序时平均数法、加权序时平均数法、移动平均法、加权移动平均法、趋势预测法、指数平滑法、季节性趋势预测法、市场寿命周期预测法等。
2、简单序时平均数法也称算术平均法。即把若干历史时期的统计数值作为观察值，求出算术平均数作为下期预测值。这种 *** 基于下列假设：“过去这样，今后也将这样”，把近期和远期数据等同化和平均化，因此只能适用于事物变化不大的趋势预测。如果事物呈现某种上升或下降的趋势，就不宜采用此法。
3、加权序时平均数法就是把各个时期的历史数据按近期和远期影响程度进行加权，求出平均值，作为下期预测值。
4、简单移动平均法就是相继移动计算若干时期的算术平均数作为下期预测值。
5、加权移动平均法即将简单移动平均数进行加权计算。在确定权数时，近期观察值的权数应该大些，远期观察值的权数应该小些。
6、上述几种 *** 虽然简便，能迅速求出预测值，但由于没有考虑整个社会经济发展的新动向和其他因素的影响，所以准确性较差。应根据新的情况，对预测结果作必要的修正。
7、指数平滑法即根据历史资料的上期实际数和预测值，用指数加权的办法进行预测。此法实质是由内加权移动平均法演变而来的一种 *** ，优点是只要有上期实际数和上期预测值，就可计算下期的预测值，这样可以节省很多数据和处理数据的时间，减少数据的存储量， *** 简便。是国外广泛使用的一种短期预测 *** 。
8、季节趋势预测法根据经济事物每年重复出现的周期性季节变动指数，预测其季节性变动趋势。推算季节性指数可采用不同的 *** ，常用的 *** 有季(月)别平均法和移动平均法两种：a．季(月)别平均法。就是把各年度的数值分季(或月)加以平均，除以各年季(或月)的总平均数，得出各季(月)指数。这种 *** 可以用来分析生产、销售、原材料储备、预计 *** 需要量等方面的经济事物的季节性变动；b．移动平均法。即应用移动平均数计算比例求典型季节指数。
9、市场寿命周期预测法就是对产品市场寿命周期的分析研究。例如对处于成长期的产品预测其销售量，最常用的一种 *** 就是根据统计资料，按时间序列画成曲线图，再将曲线外延，即得到未来销售发展趋势。最简单的外延 *** 是直线外延法，适用于对耐用消费品的预测。这种 *** 简单、直观、易于掌握。
二、时间序列分类算法
欧式距离不能很好地针对时间序列的波动模式进行分类，研发更适合时间序列分类的距离度量就成为关键，这其中最经典的时间序列距离度量就是Dynamic Time Warping（DTW）。 DTW的原理如下：
比如说，给定一个样本序列X和比对序列Y,Z：
请问是X和Y更相似还是X和Z更相似？
DTW首先会根据序列点之间的距离(欧氏距离)，获得一个序列距离矩阵 MM，其中行对应X序列，列对应Y序列，矩阵元素为对应行列中X序列和Y序列点到点的欧氏距离：
DTW通过对时间序列波动模式的分析可得到更好的时间序列分类结果。研究表明，在时间序列分类问题上，DTW距离度量配合简单的最小距离分类法（nearest neighbor）就可以取得较传统欧式距离算法（如SVM、经典多层神经 *** 、决策树、Adaboost）压倒性的优势。
DTW更进一步衍生出多种不同的变种，例如由Keogh和 Pazzani提出的基于序列一阶导数的改进便取得了良好的效果；其中一种简单的 *** 叫Complexity Invariant distance(CID)，其利用一阶导数信息对DTW距离做计算，在某些问题上具有突出效果。
除了DTW，还有其他考量时间序列的波动模式算法。例如Ye和Keogh提出的Shapelet *** ：考察序列中具有代表意义的子序列来作为Shapelet特征而进行分类。Lin等人提出了基于字典的 *** ，将序列根据特定的字典转化为词序列，从而进行分类。Deng提出了基于区间的 *** ，从区间中提取波动的特征。
除了上述 *** 外，聚合算法（将多种不同算法聚合在一起）的研究也有了长足的进步。最近提出的COTE算法几乎将上述所有不同分类算法聚合在一起，得到了优异的分类效果。
这一类的 *** 都是一些通过某种度量关系来提取相关特征的 *** ，如词袋法，通过找到该时间序列中是否有符合已有词袋中的特征（序列的样子），将一个序列用词来表示，再对词进行分类。而其他的基于特征的 *** 都是利用了类似的 *** ，如提取统计量，基于规则等，再通过分类模型进行分类。
MLP的输入是一个向量（数组），通过全连接的形式对整体数组的每一个元素逐层赋予权重，并求得最后的分类，这种 *** 是一种比较粗暴的学习 *** ，直接学习所有元素直接的线性或非线性相关关系，但是并没有去深度挖掘数组中更好的表现特征，分类效果不佳。
FCN是将MLP中的全链接层用卷积层进行替代，Resnet也是，但是其中的卷积层都用一维卷积核进行了替代。
来自于Time Series Classifification from Scratch with Deep Neural Networks: A Strong Baseline.可以看到深度学习的 *** 效果基本上与传统 *** 相接近，甚至有所超过，其中整体表现更好的是FCN。
LSTM_FCN的 *** 比较简单，是将输入分别输入到两个分支中，LSTM和FCN，并在最后将两个输出分支进行concat进行softmax获得分类结果。在这篇论文中，作者说这种 *** 取得了比FCN更好的效果。
在其他的一些比赛方案中，也有resnet+LSTM+FC的组合形式，通过Resnet的一维卷积先提取相关特征，然后通过LSTM学习一维特征向量的相关关系，再进行分类，可能针对于不同的问题还是要试试才知道哪个的效果更加好。
BiGRU-CNN与以上 *** 相比实际上并没有做什么大的改进，就是将LSTM分支替换成双向的GRU分支。
三、时间序列预测 *** 有哪些分类,分别适合使用的情况是
时间序列预测 *** 根据对资料分析 *** 的不同，可分为：简单序时平均数法、加权序时平均数法、移动平均法、加权移动平均法、趋势预测法、指数平滑法、季节性趋势预测法、市场寿命周期预测法等。
1、简单序时平均数法只能适用于事物变化不大的趋势预测。如果事物呈现某种上升或下降的趋势，就不宜采用此法。
2、加权序时平均数法就是把各个时期的历史数据按近期和远期影响程度进行加权，求出平均值，作为下期预测值。
3、简单移动平均法适用于近期期预测。当产品需求既不快速增长也不快速下降，且不存在季节性因素时，移动平均法能有效地消除预测中的随机波动。
4、加权移动平均法即将简单移动平均数进行加权计算。在确定权数时，近期观察值的权数应该大些，远期观察值的权数应该小些。
5、指数平滑法即根用于中短期经济发展趋势预测，所有预测 *** 中，指数平滑是用得最多的一种。
6、季节趋势预测法根据经济事物每年重复出现的周期性季节变动指数，预测其季节性变动趋势。
7、市场寿命周期预测法，适用于对耐用消费品的预测。这种 *** 简单、直观、易于掌握。
1、时间序列分析法是根据过去的变化趋势预测未来的发展，前提是假定事物的过去延续到未来。运用过去的历史数据,通过统计分析，进一步推测未来的发展趋势。不会发生突然的跳跃变化,是以相对小的步伐前进；过去和当前的现象，可能表明现在和将来活动的发展变化趋向。
2.时间序列数据变动存在着规律性与不规律性
时间序列中的每个观察值大小，是影响变化的各种不同因素在同一时刻发生作用的综合结果。从这些影响因素发生作用的大小和方向变化的时间特性来看，这些因素造成的时间序列数据的变动分为四种类型：趋势性、周期性、随机性、综合性。
参考资料来源：百度百科-时间序列预测法
参考资料来源：百度百科-指数平滑法
参考资料来源：百度百科-简单移动平均法
关于时间序列分类的内容到此结束，希望对大家有所帮助。
