肋罔uvlZ8993
时间序列的数据非常干净和清晰，因此时间序列分析更像是一个纯粹的数学问题，而不是一个应用问题。而且，时间序列分析的相关体系已经被较好地建立起来了，而数据挖掘和机器学习还有大量未解决的问题，其理论方面仍然有许多新的挑战，因此，大家更愿意去尝试这些新方法。
另一方面，这也是由于现在数据量变得越来越大之后的必然结果。当我们以前只有少量数据时，时间序列的方法就会变得很重要，而现在我们可以用很少的成本获取大规模的非结构化数据，这让我们完全有能力进行更深刻的研究。
而且，需要注意的是，时间序列和数据挖掘机器学习之间并不是完全对立的关系。
（1）用机器学习的方法（尤其是基于循环神经网络的一些方法），同样可以对时间序列进行很好的预测。
（2）数据挖掘也可以扩充时间序列分析中的维度，让我们找到更多更有意思的特征，例如传统上，我们利用过去的股票数据来预测未来的股票涨跌，而有了数据挖掘的一些结果，我们还可以结合社交网络上大家对股票的讨论情况、电商网站上相关公司产品的销售情况、招聘网站上企业的招工情况、通过手机定位数据估计的工厂所在地区的人员流动数据、政府网站上的招投标信息以及法院网站上的各种相关法律诉讼情况等等进行更加准确的预测，这无疑大大扩充了纯粹的「时间序列分析」应用的场景和可能性。
此外，时间序列分析的方法也并非是变得不再重要，恰恰相反，时间序列的分析方法现在已经成为了某种基础，当我们发展出机器学习的方法，我们仍然会需要将我们的新方法的预测结果与传统方法进行比较，只有当新方法能大大提高预测准确性的时候，我们才会真正采用新方法。
分享到:
