文/ Paul Cuckoo



今天，如果没有基于机器学习(ML)的解决方案，坐在分析环境中的会议上讨论解决问题的方法是不可能的。这是有道理的;从SVM、CART回归树到神经网络套件(BNN、RNN、LSTM)的ML技术提供了优越的预测能力。当将这种预测能力转换为时间序列预测时，自然会认为这些ML算法应该是首选。好吧,也许不是。雅典国立技术大学的3位预测专家最近发表的一篇论文可能会给出相反的建议; 就时间序列预测而言，ARIMA或ETS等传统统计技术实际上可能提供更好的预测性能。

研究小组利用来自已知数据源M3竞赛数据的1045个时间序列数据子集，测量了8种传统统计技术和8种先进的ML技术的预测性能。他们研究的主要结果，以及艾哈迈德等人早期的研究，如下图所示，其中sMAPE%用作误差指标(越低越好):



统计和ML方法的性能之间有明显的区别。然而，作者进一步考