比特币交易费预测的综合建模方法：比较研究

比特币生态系统中交易费预测代表了一个关键挑战，影响用户成本和矿工收益优化。本研究系统评估了六种预测比特币交易费的方法，预测时间范围为24小时（144个区块）：SARIMAX、Prophet、Time2Vec、带注意力的Time2Vec、将SARIMAX与梯度增强相组合合的混合模型，以及Temporal Fusion Transformer（TFT）。我们的ethods综合了涵盖mempool指标、网络参数和历史费用模式的全面特征工程，以捕捉交易费行为的多方面动态。通过严格的5折交叉验证和独立测试，我们的分析显示，传统统计方法在预测能力上优于更复杂的深度学习架构。SARIMAX模型在独立测试集上实现了优异的准确性，而Prophet在交叉验证期间表现出色。值得注意的是，尽管Time2Vec和TFT等高级深度学习模型具有复杂的架构，但其预测能力相对较低。这一绩效差异可能源于仅有91天的相对有限训练数据集，表明在更长的历史数据下，深度学习模型可能实现更好的结果。这些发现对加密货币利益相关者具有重要的实际意义，为基于数据约束的模型选择提供了经验验证的指导，同时阐明了在数据约束条件下的关键考虑因素。该研究为高级费用预测奠定了基础，同时突显了传统统计方法在该领域当前的优势。