predict_result.md

简介

我们先介绍不用检测周期性，直接进行时间序列预测。

为了比较模型的效果，我们引入一个评价因子PCT来说明每个模型的好坏。所谓的PCT就是

接下来我们将结合一个例子，从PCT和时间开销(time)两方面来衡量一下模型。

模型效果

我们取线上的一个时间序列，一共有336个值。前312个值作为训练，后24个值作为测试和验证效果。前312个值如下图所示，用肉眼看，该时间序列具有比较强的周期性。我们先后用非周期性预测和周期性预测两种方法来说明效果。

非周期性预测

LR

首先介绍线性回归，效果如下图。

可以看到该模型预测结果基本趋于平均值。其中PCT为0.085063，而time为1.27s。

ARIMA

接下来介绍ARIMA模型，在该算法中，我们在差分为1的情况下，用bic准则取确定p和q的值，效果如下图：

跟LR差不多，其中PCT为0.092，time为1.43s。

bp神经网络

再接着介绍bp神经网络，在该神经网络中，我们使用只有一层的隐藏层，输入层个数为predict_time（预测时间），隐藏层为2*predict_time，输出层为predict_time，学习速率为0.01，迭代100次，结果如下：

结果PCT为0.087210，time为1.56s。

lstm

最后我们看看lstm，lstm比较重要的几个参数：batch_size为4，windows_size为3倍的predict_time，num_unit为3倍的predict_time，学习速率为0.01。

结果PCT为0.043834，time为7.16s。

接下来我们将介绍周期性预测。

周期性预测

LR

结果是PCT为0.044276，时间消耗为1.51s。

arima

PCT为0.047879，time为1.73s。

bp神经网络

PCT为0.042720，time为1.43s。

lstm

PCT为0.041202，time为6.28s。

总结

非周期性预测

模型	时间开销	准确率
LR	1.27s	0.085063
ARIMA	1.43s	0.092
浅层神经网络	1.56s	0.087210
LSTM	7.16s	0.043834

周期性预测

模型	时间开销	准确率
LR	1.51s	0.044276
ARIMA	1.73s	0.047879
浅层神经网络	1.43s	0.042720
LSTM	6.28s	0.041202

通过上面两种方法，可以得到，在时间序列具有周期性的情况下，用周期性预测的方法可以极大程度上提高准确率。