时间序列论文1——Forecasting at Scale
目录
- 0. AI总结
- 0.1 文章概述
- 0.2 研究背景
- 0.3 研究思路
- 0.4 研究结论与讨论
- 1. Introduction
- 2 Features of Business Time Series
- 3 The Prophet Forecasting Model
- 3.1 The Trend Model
- 3.2 Seasonality
- 3.3 Holidays and Events
- 3.4 Model Fitting
- 3.5 Analyst-in-the-Loop Modeling
- 4 Automating Evaluation of Forecasts
- 4.1 Use of Baseline Forecasts
- 4.2 Modeling Forecast Accuracy
- 4.3 Simulated Historical Forecasts
- 4.4 Identifying Large Forecast Errors
- 5 Conclusion
- 6 Acknowledgements
0. AI总结
0.1 文章概述
本文介绍了一种在大规模情况下进行预测的实用方法，结合了可配置的模型和分析师参与的性能分析。作者提出了一种模块化回归模型，具有可解释的参数，分析师可以根据对时间序列的领域知识直观地调整模型。作者还描述了用于比较和评估预测过程的性能分析，并自动标记需要人工审查和调整的预测。这种方法可以帮助分析师充分利用他们的专业知识，从而可靠地进行业务时间序列的预测。
0.2 研究背景
本篇文章的研究背景是关于大规模预测的方法和技术。作者指出，传统的预测方法包括统计预测和判断性预测，但它们各自存在一些局限性。统计预测需要较少的领域知识和人力投入，但在应对变化条件时可能不够灵活。判断性预测可以包含更多信息并对变化条件做出更好的响应，但需要分析师进行大量的工作。因此，作者提出了一种“分析师参与建模”的方法，旨在将统计预测和判断性预测的优势结合起来。该方法允许分析师通过调整模型参数来改进模型，从而提高预测准确性。此外，文章还介绍了自动评估预测质量和良好的可视化工具的重要性。总之，本篇文章的研究背景是探索如何在大规模预测中充分利用统计预测和判断性预测的优势，并提供相应的方法和工具。
0.3 研究思路
本研究的研究思路是解决大规模预测问题的挑战，其中包括可配置的模型和分析师参与的性能分析。我们提出了一种模块化回归模型，具有可解释的参数，可以由具有时间序列领域知识但缺乏时间序列建模经验的分析师直观地调整。我们描述了用于