【CMU-Amazon】时间序列预测：理论与实践，379页ppt阐述大规模时序预测工具与方法

【导读】CCF-A类顶会WWW2020最近在线举行。来自CMU-Amazon五位学者给了《时间序列预测：理论与实践》的Tutorial报告，共379页PPT，阐述了解决大规模预测问题提供最重要的方法和工具的简明和直观的概述

时间序列预测是业务流程自动化和优化的一个关键因素: 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，对未来服务和基础设施组件使用情况的估计将指导容量规划;仓库和工厂的劳动力调度需要预测未来的工作量。近年来，预测技术和应用的范式发生了变化，从基于计算机辅助模型和假设到数据驱动和全自动。这一转变可以归因于大型、丰富和多样化的时间序列数据源的可用性，并导致了一系列需要解决的挑战，如:我们如何建立统计模型，以有效地和有效地学习如何从大型和多样化的数据源进行预测?在有限的观测情况下，我们如何利用“相似”时间序列的统计能力来改进预测?建立能够处理大量数据的预测系统意味着什么?

本教程的目标是为解决大规模预测问题提供最重要的方法和工具的简明和直观的概述。我们回顾了三个相关领域的研究现状: (1)时间序列的经典建模，(2)预测的现代方法，包括张量分析和深度学习。此外，我们还讨论了建立大规模预测系统的实际问题，包括数据集成、特征生成、回溯测试框架、误差跟踪和分析等。我们的重点是提供一个直观的概述方法和实际问题，我们将通过案例研究和互动材料与Jupyter笔记本说明。

时间序列预测经典方法 Classical Methods for Big Time Series Forecasting

• Similarity search and indexing
• DSP: Fourier and wavelets
• Linear forecasting
• Non-linear forecasting
• Tensors

时间序列预测现代方法 Modern Methods for Big Time Series Forecasting

• Multi-layer perceptron (feedforward neural networks)
• Recurrent neural networks (RNN)s: canonical, Sequence-to-Sequence and other - - rchitectures
• Probibilistic Forecast with NNs
• Others structures: Convolution, WaveNet, Transfomers, and all that
• Deep Probabilistic Models for Forecasting

时间序列预测实践 Forecasting in Practice

• Building Large Scale Forecasting Systems
• Getting start with Forecasting with
• GluonTS: A Probabilistic Time Series Library
• DeepAR on SageMaker
• Amazon Forecast

百度网盘下载地址： Part1：链接: https://pan.baidu.com/s/1UJXbWGZe_n6n1DbkYqQamw 提取码: x6n2 Part2：链接: https://pan.baidu.com/s/1TGnLWa9AVRHPPZ59LLqPgw 提取码: pbjq