大规模时间序列预测理论与实践

本文探讨了大规模时间序列预测的理论基础与实践应用,涵盖传统时间序列建模、现代深度学习方法及大规模预测系统构建工具,重点分析神经网络、概率模型及实际系统部署方案。

大规模时间序列预测:理论与实践

在四月的网络会议上,某中心的科学家与学者联合外部研究人员、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和Tim Januschowski以及某中心学者Christos Faloutsos主持的时间序列预测教程,该技术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某云服务客户提出,“Januschowski表示。“预测可估算不同区域的未来需求,帮助零售企业决定订购哪些商品及存储位置;在云计算中,对服务及基础设施组件未来使用量的估算指导容量规划;仓库和工厂的劳动力调度需预测未来工作量。某中心科学家不断代表客户发明新方法,使用深度学习和概率方法以更好解决这些问题。”

以下视频概述了解决大规模预测问题的最重要方法与工具。主讲人回顾了三个相关领域的最新进展:

  • 时间序列的经典建模;
  • 包括张量分析和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方面。

第一部分:预测基础

  • 相似性与信号处理基础
  • 线性与非线性预测基础

第二部分:深度学习用于预测

  • 神经网络:从传统到现代
  • 基于CNN/WaveNet/Transformer的模型
  • 深度概率模型

第三部分:预测实践

  • 系统、实践与某云服务预测技术栈

研究领域
机器学习

标签
网络会议、某云服务、时间序列、某机器学习平台、某预测服务、深度学习、神经网络

comments powered by Disqus
使用 Hugo 构建
主题 StackJimmy 设计