肋罔uvlZ8993
時間序列的數據非常乾淨和清晰，因此時間序列分析更像是一個純粹的數學問題，而不是一個應用問題。而且，時間序列分析的相關體系已經被較好地建立起來了，而數據挖掘和機器學習還有大量未解決的問題，其理論方面仍然有許多新的挑戰，因此，大家更願意去嘗試這些新方法。
另一方面，這也是由於現在數據量變得越來越大之後的必然結果。當我們以前只有少量數據時，時間序列的方法就會變得很重要，而現在我們可以用很少的成本獲取大規模的非結構化數據，這讓我們完全有能力進行更深刻的研究。
而且，需要注意的是，時間序列和數據挖掘機器學習之間並不是完全對立的關係。
（1）用機器學習的方法（尤其是基於循環神經網絡的一些方法），同樣可以對時間序列進行很好的預測。
（2）數據挖掘也可以擴充時間序列分析中的維度，讓我們找到更多更有意思的特徵，例如傳統上，我們利用過去的股票數據來預測未來的股票漲跌，而有了數據挖掘的一些結果，我們還可以結合社交網絡上大家對股票的討論情況、電商網站上相關公司產品的銷售情況、招聘網站上企業的招工情況、通過手機定位數據估計的工廠所在地區的人員流動數據、政府網站上的招投標信息以及法院網站上的各種相關法律訴訟情況等等進行更加準確的預測，這無疑大大擴充了純粹的「時間序列分析」應用的場景和可能性。
此外，時間序列分析的方法也並非是變得不再重要，恰恰相反，時間序列的分析方法現在已經成為了某種基礎，當我們發展出機器學習的方法，我們仍然會需要將我們的新方法的預測結果與傳統方法進行比較，只有當新方法能大大提高預測準確性的時候，我們才會真正採用新方法。
分享到:
