时间序列预测中的挑战：机器学习技术的全面比较
机器学习
2025-03-27 v1
摘要
随着技术进步，时间序列(TS)数据的爆炸式增长， necessitating 采用先进的分析方法。现代管理系统日益依赖于分析此类数据，凸显了高效处理技术的重要性。针对TS分析和预测的最新机器学习(ML)方法正变得流行。本文简要描述并整合了适合TS回归任务的合适算法。我们将这些算法彼此比较，并使用包含完整数据、带异常值数据和带缺失值数据等多种数据集与经典ARIMA方法进行比较。重点在于预测准确度，特别是长期预测。本研究有助于根据预测需求和数据特征选择最合适的算法。
引用
@article{arxiv.2503.20148,
title = {Addressing Challenges in Time Series Forecasting: A Comprehensive Comparison of Machine Learning Techniques},
author = {Seyedeh Azadeh Fallah Mortezanejad and Ruochen Wang},
journal= {arXiv preprint arXiv:2503.20148},
year = {2025}
}