基于TensorFlow和QuestDB

译者：朱先忠

时间序列预测的机器学习概述

当前，机器学习正在席卷全球，机器人能够以类似人类的精度完成许多领域中的任务。例如，在医疗领域，智能助手可以随时检查人们的健康状况；在金融领域，也有一些工具可以合理准确地预测投资回报；而在在线营销中，也已经研发出一些产品推荐工具能够根据人们的购买历史向其推荐特定的产品和品牌。

在上述这些应用领域中，人们可以使用不同类型的数据来训练机器学习模型。其中，时间序列数据用于训练机器学习算法。在这种情况下，时间是关键组成部分。

时间序列数据很复杂，涉及的时间相关特征超出了传统机器学习算法（如回归、分类和聚类）的适用范围。幸运的是，如今我们可以直接使用现成的机器学习模型进行时间序列预测。由于时间的可变性质，由时间序列预测得出的预测结果可能并不完全精确，但它们确实提供了适用于各种领域的合理近似值。让我们考虑以下几种应用案例：

预测性维护：如今，物联网、人工智能（AI）和集成系统正在嵌入到电子、机械和其他类型的设备中，并使其智能化。这些物联网设备中安装了传感器，可以随时间跟踪相关值；人工智能是时间序列预测的一个关键组成部分，用于分析这些数据并预测设备可能需要维护的大致时间。

异常检测：检测系统功能中罕见事件和观察结果的过程。识别这些事件可能具有相当的挑战性，但时间序列预测通过提供可以连续监测事物的智能元素而对此类任务有所帮助。金融科技领域中的网络安全、健康监测和欺诈检测等就是利用时间序列分析进行异常检测的系统的几个例子。

物联网数据：物联网正在成为当今社会经济的一个重要支柱。物联网设备能够及时存储数据，并跨其他设备进行通信以进行分析和预测。其中一个例子是温度预测：在这种应用中，人们使用不同的物联网设备定期存储温度数据，因而这类预测常常应用于与天气相关的预测和决策。

自动调整决策：通过时间序列预测，企业可以更好地监控其产品或解决方案的需求，并及时预测未来需求，从而相应地调整其服务。

交易：每天股市开盘和收盘时，都会在几秒钟内输入波动数据。使用各种数据库和文件存储系统存储所有这些信息，然后可以使用不同的时间序列预测算法对未来的一天、一周甚至一个月进行价格预测。

在本文接下来内容中，我们将建立并训练一个简单的机器学习模型，该模型使用时间序列数据，并使用谷歌公司的TensorFlow框架和时间序列数据库QuestDB实现趋势和事件的预测。

TensorFlow与QuestDB简介

时间序列预测可以以不同的方式进行，包括使用各种机器学习算法，如ARIMA、ETS、简单指数平滑和递归神经网络（RNN），等等。其中，RNN是一种深度学习方法，当然其本身也具有多种变体，如LSTM和GRU。这些神经网络在神经网络层之间存在反馈回路。这使它们成为时间序列预测任务的理想选择，因为网络可以“记住”以前的数据。通过使用谷歌的TensorFlow库，这些深度学习算法的实现变得更加容易；目前，该库支持各种流行的神经网络和深度学习算法。

任何算法的核心都是数据，这与时间序列预测没有什么不同。与传统数据库相比，时间序列数据库（TSDB）为存储和分析时间序列数据提供了更多的功能。在本教程中，我选择的TSDB是QuestDB，这是一种开源的时间序列数据库，专注于快速性能和易用性。

预测性数据分析实战

现在，相信你已经对时间序列数据和时间序列分析有了更深入的了解。接下来，让我们通过构建一个具体的应用程序来使用这些数据预测趋势，从而深入研究一下其具体的实现过程。本教程将使用美元对印度卢比数据集的历史汇率，你可以在链接（

转载请注明：http://www.abuoumao.com/hyls/2883.html