专题简介
本专题涵盖时间序列分析的核心理论与实践方法，包括：
- 分解方法：STL/MSC分解、趋势季节性提取
- 深度学习预测：N-BEATS、N-HiTS、TFT架构
- 基础模型：Timer、Chronos、TimesFM等预训练模型
- 信号处理：小波变换、频域分析
- 工具库：StatsForecast、Darts、SKtime、Prophet
核心内容
理论基础
| 文件 | 描述 |
|---|---|
| time-series-decomposition-theory | 时间序列分解理论：STL/MSC分解、趋势季节性强度的数学定义 |
| time-series-frequency-analysis | 频域分析方法：傅里叶变换、功率谱估计、周期检测 |
深度学习预测
| 文件 | 描述 |
|---|---|
| n-beats-n-hits-architecture | N-BEATS与N-HiTS：基础展开分析、多速率采样、层次插值 |
| temporal-fusion-transformer | 时间融合Transformer：变量选择、GRN、可解释性设计 |
| foundation-models-time-series | 时间序列基础模型：Timer、Chronos、TimesFM、Sundial |
信号处理
| 文件 | 描述 |
|---|---|
| wavelet-analysis-time-series | 小波变换与时间序列：连续/离散小波变换、去噪、特征提取 |
| time-series-frequency-analysis | 时序频域分析：傅里叶变换、谱密度、周期检测 |
工具实践
| 文件 | 描述 |
|---|---|
| time-series-python-tools | Python时序工具库详解：StatsForecast、Darts、SKtime、Prophet |
学习路径
入门路径
-
理论基础
- time-series-decomposition-theory — 理解分解思想
- time-series-frequency-analysis — 掌握频域分析
-
深度学习入门
- n-beats-n-hits-architecture — 学习基础架构
-
工具实践
- time-series-python-tools — 快速上手工具库
进阶路径
-
架构深入
- temporal-fusion-transformer — 理解可解释性设计
- wavelet-analysis-time-series — 掌握多分辨率分析
-
基础模型
- foundation-models-time-series — 学习预训练范式
相关领域
机器学习基础
数学基础
信号处理
推荐阅读
经典教材
- Hyndman, R.J., & Athanasopoulos, G. (2021). Forecasting: Principles and Practice, 3rd edition.
- Box, G.E.P., Jenkins, G.M., & Reinsel, G.C. (2015). Time Series Analysis: Forecasting and Control, 5th edition.
- Mallat, S. (1999). A Wavelet Tour of Signal Processing.
重要论文
- Oreshkin et al. (2019). N-BEATS: Neural Basis Expansion Analysis for Time Series Forecasting.
- Challu et al. (2023). NHITS: Neural Hierarchical Interpolation for Time Series Forecasting.
- Lim et al. (2021). Temporal Fusion Transformers for Interpretable Multi-Horizon Time Series Forecasting.
最新进展
2024-2025 年重要进展
-
时间序列基础模型
- Timer: 首个统一解码器-only Transformer
- Chronos: 零样本预测能力
- Sundial: 时间流匹配训练范式
-
架构创新
- 多速率采样机制
- 层次插值方法
- 小波增强网络
-
应用突破
- 零样本/少样本预测
- 跨领域迁移能力
- 长程依赖建模
最后更新: 2026-05-07