赵煜的时序建模学习手札——三种路线概览(统计学/机器学习/深度学习)
时序建模属实是一个令人困惑的抽象概念，因为它被不分场合的混用 (统计学、机器学习、深度学习)，术语定义也较为模糊。
1、什么是时序建模？
时序建模就是处理带有时间顺序的数据，并且利用时间顺序处理问题（预测、分类和异常检测）。
需要满足的关键特征(满足以下几点审稿人就很难攻击你的工作不是时序建模)：
- 数据点之间不是独立存在的
- 顺序很重要
- 存在时间依赖关系
2、三种时序建模
时序建模主要分为三种：统计学、机器学习和深度学习。
2.1 统计学
这是最经典的时序建模，关注统计规律：自回归模型（AR）、移动平均模型（MA）、ARIMA和状态空间模型。
特点：参数少，可解释性强，适合线性关系
2.2 机器学习
引入更多特征工程和传统算法，将时序问题转化为监督学习问题。例如：特征工程 (提取滞后特征、滑动窗口统计、季节性特征)、算法（线性回归、XGBoost/LightGBM、SVM）
特点：需要大量特征工程，非线性能力有限
2.3 深度学习
能够进一步的处理更加复杂的非线性问题（其实2.1~2.3也就是一个非线性应对能力增长的过程，从2.1统计学的线性回归，到2.3的非线性模型）例如：RNN/LSTM/GRU、TCN、Tranformer
时序建模的核心任务类型
时序建模任务 ├── 预测任务（最常见） │ ├── 单步预测：预测下一个时间点 │ ├── 多步预测：预测未来多个时间点 │ ├── 序列到序列：输入序列 → 输出序列 │ └── 滚动预测：不断用新观测值更新预测 │ ├── 分类任务 │ ├── 序列分类：整条时间序列的类别（如心电图分类） │ └── 时间点分类：每个时间点的类别（如动作识别） │ ├── 异常检测 │ ├── 点异常：单个时间点的异常 │ └── 集体异常：连续时间段的异常 │ └── 生成任务 ├── 数据增强：生成类似的时间序列 └── 补全任务：填补缺失的时间点实际项目中的时序建模流程
1.问题定义 ↓2.数据探索和预处理 │-处理缺失值 │-平稳性检验 │-季节性分析 ↓3.构建监督学习数据集 │-创建滞后特征 │-定义时间窗口 │-划分训练/验证/测试集（按时间顺序！） ↓4.模型选择 │-简单任务：传统方法（ARIMA） │-中等复杂度：树模型（XGBoost） │-复杂序列：深度学习（LSTM/Transformer） ↓5.模型训练和评估 │-使用时间序列交叉验证 │-评估指标：MAE,RMSE,MAPE ↓6.部署和监控后记
本人在摸索学习的过程中踩过不少奇奇怪怪的坑，大部分都是自己一厢情愿和固有认知导致的左脚绊右脚，例如：
时序建模不仅仅是预测未来的曲线走向，还能完成其他任务；深度学习不一定比统计学好，例如数据量不足和规律明显时就别硬上（造创新点不算）；注意避免数据泄露让代码陪着自己骗自己(哈哈)；RNN/LSTM/GRU这几个卧龙凤雏是一起的，Transformer和他们不一样。