13、利用全球预测模型进行大数据预测

利用全球预测模型进行大数据预测

1. 时间序列预测中的大数据

随着传感器和数据存储能力的进步，如今许多企业和行业会定期收集、管理和分析大量的时间序列数据，以实现更好的决策和战略规划，这一现象也被称为“大数据”。企业多年来积累了大量数据，这些数据有助于规划短期、中期和长期目标。

从时间序列的角度来看，大数据并不意味着单个序列包含更多的观测值。因为采样率取决于应用，时间序列的长度也取决于应用的性质。例如，半小时一次的智能电表数据的采样率与每日销售数据的采样率不同。大数据意味着数据库包含大量相关的时间序列，这些序列具有共同的关键模式。比如零售中相关产品系列的销售需求、计算机中心的服务器性能指标、家庭智能电表数据以及拼车服务的乘客需求等。

传统的（统计）预测技术，如指数平滑法、自回归移动平均模型和 Prophet 模型等，都是单变量模型，它们分别考虑每个时间序列并进行独立预测，无法利用一组相关时间序列中的跨序列信息。因此，在大数据时代，基于多个时间序列构建的预测方法在预测从业者中越来越受欢迎，这类模型被称为全球预测模型。

2. 全球预测模型

与单变量模型不同，全球预测模型（GFM）是同时在多组时间序列上进行训练的。在全球预测模型中，使用一组时间序列构建一个单一的预测模型，因此能够借用时间序列集合中的共同模式。而且，全球预测模型的参数是使用所有可用的时间序列联合估计的。

全球模型的主要目标是开发一个统一的模型 F，它使用所有可用时间序列的先前观测值，即 X = {X1, X2, …, X p}，其中 p 是数据集中时间序列的数量。全球模型 F 可以正式定义为：
[X_{i}^{M} = F(X, \theta)] <