从010年到1010年以上，用于预测目的的时间序列建模一直是机器学习的活跃研究领域。 但是，迄今为止没有提供足够全面和同时的实质性调查。 这次调查以满足这个需求为目标。 本汇编的全部部分采用统一的表现形式。 红线引导读者从时间序列的预处理到预测。 时间序列分解是主要的预处理任务，用于分离假定为瞬态效应(确定性成分)和稳态的剩余随机成分。 确定性分量是可预测的，通过估计或外推来贡献预测。 拟合剩下的随机分量的最佳模型，目的是捕捉过去和未来值的关系，使预测成为可能。 我们涵盖了足够广泛的模型，同时提供了实质性的方法论发展。 我们阐述了三个主要的线性参数模型和两个非线性扩展，提出了五种非线性参数模型。 除了传统的统计模型外，还强调了非线性框架中适合时间序列预测的6种深度神经网络。 最后，我们为时间序列的建模和预测开辟了新的研究途径。 还报告了为展示的模型而发布的软件。 提出五种非线性参数模型。 除了传统的统计模型外，还强调了非线性框架中适合时间序列预测的6种深度神经网络。 最后，我们为时间序列的建模和预测开辟了新的研究途径。 还报告了为展示的模型而发布的软件。 提出五种非线性参数模型。 除了传统的统计模型外，还强调了非线性框架中适合时间序列预测的6种深度神经网络。 最后，我们为时间序列的建模和预测开辟了新的研究途径。 还报告了为展示的模型而发布的软件。
全文下载： https://arxiv.org/pdf/2104.00164.pdf