Машинне навчання
Машинне навчання (МО) може перевершити традиційні методи прогнозування часових рядів. Існує ціла купа досліджень, в яких методи машинного навчання порівнюються з більш класичними статистичними для даних TS. Нейронні мережі — це одна з технологій, яка досить широко досліджена і застосовує підходи TS. Методи машинного навчання лідирують у рейтингу по збору даних на основі часових рядів. Ці підходи довели свою ефективність, перевершуючи підходи з чистими TS в змаганнях з M3 або Kaggle.
МО має свої специфічні проблеми. Розробка функцій або створення нових предикторів з набору даних є важливим кроком для нього і може надати величезний вплив на продуктивність і бути необхідним способом вирішення проблем тренду та сезонності даних TS. Крім того, у деяких моделей виникають проблеми з тим, наскільки добре вони відповідають даним, і якщо немає, вони можуть пропустити основну тенденцію.
Тимчасові ряди і підходи машинного навчання не повинні існувати ізольовано один від одного. Вони можуть бути об’єднані разом, щоб дати переваги кожного підходу. Методи прогнозування та аналіз часових рядів добре справляється з розкладанням даних на трендові і сезонні елементи. Потім цей аналіз можна використовувати в якості вхідних даних для моделі МО, що має в своєму алгоритмі інформацію про тенденції та сезонності, що дає найкраще з двох можливостей.
