Как отмечает dsaxton , «анализ временных рядов» не является ни алгоритмом, ни методом прогнозирования. Это область исследования . Кроме того, большая часть анализа временных рядов даже не связана с прогнозированием, а только с пониманием прошлой динамики временного ряда (например, обнаружение точки изменения).
Конкретные методы анализа временных рядов, подходящие для прогнозирования , такие как модели ARIMA или Экспоненциальное сглаживание, безусловно, могут называться «алгоритмами обучения» и рассматриваться как часть машинного обучения (ML) так же, как и для регрессии. Они просто редко бывают.
Я бы сказал, что это отражает тот факт, что анализ временных рядов уже очень хорошо зарекомендовал себя и разработал свой собственный язык к моменту появления ML, поэтому немногие аналитики временных рядов будут думать о том, что они делают, как о машинном обучении (как мало кто из статистиков будет думать регрессии как ML - это сообщество ML, которое классифицирует установленные методы в соответствии с номенклатурой ML).
И наоборот, сообщество ML на самом деле не очень много работало с временными рядами как таковыми, и «классические» алгоритмы ML, такие как нейронные сети, действительно не были слишком успешными в том смысле, что явно превосходили классические алгоритмы временных рядов для прогнозирования. Если вы моделируете динамику своего времени в алгоритме ML, вы уже достаточно близки к модели ARIMA, но если вы этого не сделаете, вы действительно упускаете множество структур, которые могли бы помочь в прогнозировании.