预测大规模时间序列集合：基于特征的方法
Forecasting large collections of time series: feature-based methods
AI总结：
本章综述面向大规模时间序列集合预测的两类基于特征的方法——模型选择与模型组合，并结合开源实现介绍相关最新进展。
摘要：
在经济学和许多其他预测领域，现实问题过于复杂，单一假设特定数据生成过程的模型难以胜任。不同方法的预测性能会随时间序列的性质而变化。在预测大规模时间序列集合时，研究者利用时间序列特征发展出两类方法，即基于特征的模型选择和基于特征的模型组合。本章讨论最先进的基于特征的方法，并参考开源软件实现。
英文摘要：
In economics and many other forecasting domains, the real world problems are too complex for a single model that assumes a specific data generation process. The forecasting performance of different methods changes depending on the nature of the time series. When forecasting large collections of time series, two lines of approaches have been developed using time series features, namely feature-based model selection and feature-based model combination. This chapter discusses the state-of-the-art feature-based methods, with reference to open-source software implementations.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
