大规模时间序列预测：理论与实践

在四月的网络会议上，某中心科学家与学者们联合外部研究人员、政策制定者、开发者等参与了一场全虚拟会议，共同探讨网络演进、相关技术标准化及其对社会文化的影响。会议的重要组成部分是由科学家Yuyang (Bernie) Wang、Valentin Flunkert、Jan Gasthaus、Tim Januschowski以及某中心学者Christos Faloutsos带来的时间序列预测教程，这是业务流程自动化与优化的关键要素。

“一些全球最具挑战性的预测问题存在于某中心内部或由云服务客户提出，“Januschowski表示。“预测可估算不同区域的未来需求，帮助零售企业决定采购品类与仓储位置；云计算中，服务与基础设施组件的使用量预测指导容量规划；仓库与工厂的劳动力调度需基于未来工作负荷预测。某中心科学家持续利用深度学习与概率方法为客户创新解决方案。”

以下视频概述了解决大规模预测问题的核心方法与工具。讲者从三个关联领域回顾了技术现状：

时间序列的经典建模；
包含张量分析与深度学习的现代预测方法；
构建大规模预测系统的工具与实践要点。

第一部分：预测基础

相似性与信号处理基础
线性与非线性预测原理

第二部分：深度学习预测

从传统到现代的神经网络
卷积神经网络/WaveNet/基于Transformer的模型
深度概率模型

第三部分：预测实践

系统架构、实践案例与云服务预测技术栈

研究领域
机器学习

技术标签
时间序列预测、深度学习、神经网络、概率模型、预测系统架构