时间序列预测 预测项目，SARIMA / X，ARIMA，先知，LSTM，霍尔特冬季，ETS。 温度预测和工资预测。

如何预测序列？看这份IJCAI2021亚马逊《大时间序列预测》教程，附301页Slides 时间序列预测是商务流程自动化和优化的关键因素。在零售领域，决定订购哪些产品以及将它们存储在哪里取决于对不同地区未来需求的预测; 在云计算中，对服务和基础设施组件未来使用量的估计指导容量规划;仓库和工厂的劳动力调度需要预测未来的工作量。最近几年见证了预测技术和应用的范式转变，从计算机辅助的模型和假设到数据驱动和完全自动化。这种转变可以归因于大量的可用性,丰富、多样的时间序列数据来源和导致一组需要解决的挑战,如下:我们如何建立统计模型有效地和有效地学习预测大型和多样化数据来源?在观测有限的情况下，我们如何利用“相似”时间序列的统计能力来改进预测?建立能够处理大数据量的预测系统意味着什么? 本教程的目的是为解决大规模预测问题提供一个简明直观的概述，介绍最重要的方法和工具。我们回顾了经典时间序列建模和现代方法的现状，特别关注预测的深度学习。此外，我们还讨论了预测、评价的实际方面，并提供了实例问题。我们的重点是提供一个直观的方法概述和实际问题，我们将通过案例研究说明。作为一个补充，我们通过Jupyter提供自学的交互式材料。

Deep Learning for Time Series Forecasting Predict the Future with MLPs, CNNs and LSTMs in Python Jason Brownlee 5 25 step-by-step lessons, 575 pages. 深度学习方法为时间系列预测提供了许多希望，例如时间依赖的自动学习以及趋势和季节性等时间结构的自动处理。 在这部新的电子书写在友好的机器学习掌握风格，你习惯了，跳过数学，直接跳到获得结果。 通过明确的解释、标准的 Python 库（Keras和TensorFlow 2）以及分步教程课程，您将发现如何为自己的时间系列预测项目开发深度学习模型

PM2.5的时间序列预测 基于Keras的LSTM实现的PM2.5的时间序列预测。 环境：python 3.6.6，Tensorflow 1.15.0，Keras 2.3.1

Unsupervised pre-training of a Deep LSTM-based Stacked Autoencoder for Multivariate time Series forecasting problems Alaa Sagheer

训练数据集包含大约145k时间序列。从2015年7月1日至2016年12月31日，每个时间序列都代表着一篇不同的Wikipedia文章的大量每日视图。培训阶段的排行榜基于2017年1月1日至3月的流量2017年1月1日。 第二阶段将使用直到2017年9月1日的培训数据。竞赛的最终排名将基于数据集中每篇文章在2017年9月13日至2017年11月13日之间的每日观看次数预测。您将在9月12日之前提交这些日期的预测。 对于每个时间序列，都会为您提供文章名称以及该时间序列所代表的流量类型（所有，移动，台式机，蜘蛛网）。您可以使用此元数据和任何其他公共可用数据进行预测。不幸的是，该数据集的数据源无法区分零流量值和缺失值。缺少值可能意味着流量为零或当天没有可用数据。 为了减小提交文件的大小，已为每个页面和日期组合指定了较短的ID。页面名称和提交ID之间的映射在密钥文件中给出。 business-size_1x.png Web Traffic Time Series Forecasting_datasets.txt