Екстраполяція шаблонів
Одним з найбільш важливих властивостей, необхідних для розгляду алгоритмів прогнозування часових рядів, є здатність екстраполювати шаблони за межі області навчальних даних. Багато алгоритми МО не мають цієї можливості, так як вони мають тенденцію обмежуватися областю, яка визначається за даними навчання. Тому вони не підходять для TS, мета яких — проектування результату в майбутнє.
Іншою важливою властивістю алгоритму TS є можливість одержання довірчих інтервалів. Хоча це властивість за промовчанням для моделей TS, а більшість моделей МО не мають цієї можливості, оскільки не всі вони засновані на статистичних розподілах.
Не варто думати, що для прогнозування TS використовуються тільки прості статистичні методи. Це зовсім не так. Є багато складних підходів, які можуть бути дуже корисні в особливих випадках. Узагальнена авторегрессионная умовна гетероскедастичність (GARCH), байесовские та VAR – лише деякі з них.
Існують також моделі нейронних мереж, які можна застосовувати до тимчасових рядів, які використовують запізнілі предиктори і можуть обробляти такі функції як авторегрессия нейронних мереж (NNAR). Існують навіть моделі часових рядів, запозичені з складного вивчення, зокрема, у сімействі — рекурентної нейронної мережі, таких як мережі LSTM і GRU.
