通常来说,需求预测可分为简单方法,传统时间序列预测,转化为监督学习预测,以及深度学习方法。
简单方法包括:直接平均法,滑动平均法,加权平均法,指数平滑法,多倍数指数平滑法,线性回归
传统时间序列预测包括:ARIMA,Holt-winters
转化为监督学习预测包括:XGBoost, LightGBM, CatBoost, Random Forest等树模型
深度学习:
Multi-time series forecast: seq2seq, LSTM及其变种, TPA-LSTM, LSNets等
Multi-time series quantile regression: DeepAR, MQ-RNN, Deep Factors Model
相应方法及详情可参考相关的文献。
简单方法包括:直接平均法,滑动平均法,加权平均法,指数平滑法,多倍数指数平滑法,线性回归
传统时间序列预测包括:ARIMA,Holt-winters
转化为监督学习预测包括:XGBoost, LightGBM, CatBoost, Random Forest等树模型
深度学习:
Multi-time series forecast: seq2seq, LSTM及其变种, TPA-LSTM, LSNets等
Multi-time series quantile regression: DeepAR, MQ-RNN, Deep Factors Model
相应方法及详情可参考相关的文献。