1.ARIMA（自回归整合移动平均）：
使用线性回归作为基础模型。捕捉自回归和移动平均项，同时对原始观测数据的差分进行积分（使时间序列静止）。仅限本地（每个时间序列都需要循环）。AutoARIMA 是首选的实现方法。
2.Prophet：
由 Facebook 开发的预测工具。专为具有日观测数据和季节性模式的数据而设计，采用一个包含年、周和日成分的加法模型。本地预测（需要循环）。
3.LSTM（长短期记忆）：
深度学习中使用的一种递归神经网络（RNN）。它专为避免长期依赖性问题而设计，因此对时间序列非常有效。我的首选实现是 AWS 的 GluonTS DeepAR。
4.霍尔特-温特斯方法（Holt-Winters Method）：
这是一种统计预测技术，应用指数平滑法捕捉时间序列数据中的趋势和季节性。适用于具有明显趋势和季节性模式的数据。指数平滑法的一种特例。
5.SARIMA（Seasonal ARIMA）：
是 ARIMA 的扩展，包含了季节性。专为具有非季节性和季节性成分的时间序列而设计，使其比标准 ARIMA 模型更加灵活。AutoARIMA 是我的首选实现方法。
6.指数平滑法：
对过去的观测数据应用指数递减权重。最适合短期预测，对没有趋势或季节性模式的数据尤其有效。ETS（指数-趋势-平滑）是我首选的实现方法。
7.随机森林
一种集合学习方法，可生成许多决策树。预测结果是单个决策树的平均预测结果。全局或局部。可扩展。由于基于树的算法问题，无法预测最大/最小值。
8.XGBoost：
梯度提升的高效、可扩展实现。因其在处理各种类型的预测建模任务时的高性能和灵活性而闻名。只要进行了特征工程，就能很好地检测复杂的季节性。全局或局部。无法预测全局最小/最大值。