作者：deephub
链接：https://www.zhihu.com/question/1960103968656032943/answer/1960274438248466299
来源：知乎
如果没有私有数据也不是死路。公开数据集的切入点可以是：
- 某个特定子问题。比如别人做电力负荷预测，你就专门做”极端天气下的短期负荷预测”。用UCI的Electricity数据集，筛选出异常天气的样本，这就是你的故事。找一篇介绍异常天气误差的论文作为引用，这就说明你研究的方向是对的，而且还有了基线。
- 组合创新也很好使。LSTM大家都用烂了，那么”LSTM+小波变换做数据预解”呢？”Transformer+季节性分解”呢？我只举例，具体的你要自己思考，这些组合在工业界其实很常用，但学术论文里可能没被充分研究。找两三篇相关工作，说明现有方法的不足，你的组合恰好能解决，实验结果有改进，这个故事就能自圆其说。
- 还有个思路是做可解释性。现在都在卷模型精度，但实际应用中可解释性同样重要。你用SHAP或者注意力权重分析，解释模型到底学到了什么模式，哪些特征在起作用。这种工作在提出SHAP之后就有很多人在做，但时序预测领域还有很大空间。一个能解释的LSTM，比一个黑盒的复杂模型更容易发论文、更容易毕业。
- 实验设计要讲究。单纯比精度没什么说服力，多搞几个维度：不同预测长度（1小时、1天、1周）、不同场景（工作日vs周末、平稳期vs波动期）、泛化（鲁棒）性测试（加噪声、缺失值）。把这些结果整理成表格和折线图，论文篇幅自然就上来了，而且显得你实验很充分，没有功劳也有苦劳吧，咱们不就是要几及格么。
- 可视化很重要。预测曲线图必须画得清楚，真实值和预测值要能看出差异。误差分布图、残差图、特征重要性图都可以放上去。一张好图胜过一堆文字描述。比如说把不同模型在不同时间段的预测误差做成热力图，一眼就能看出哪个模型在什么情况下表现好，谁看到这张图不说”做得细致”。
- 论文写作上，别堆砌公式。把问题背景、为什么这个问题重要、现有方法有什么局限性讲清楚，比推导一堆公式有用。咱们是要讲故事，尤其是引言部分，让你读完就觉得”确实，这个问题值得研究”。然后方法部分简洁明了，实验部分数据说话。结论部分坦诚局限性，提几个未来可以改进的方向。
- 还有个技巧是多引用综述文章。这些文章已经帮你梳理好了领域现状，你直接站在巨人肩膀上，说明你的工作是在这个大框架下的一个具体探索，而且还能让老师觉得，这孩子可以，找了这么多论文资料。
研究了什么问题问题和解决了什么问题的区别
研究了什么问题？
解决了什么问题？
个人理解：第一个是偏向背景，比如说研究长时间时序预测问题；第二个偏向技术，比如说现有的方法存在什么什么问题。
