14、利用人工智能模型进行时间序列预测：跨学习的方法与指南

利用人工智能模型进行时间序列预测：跨学习的方法与指南

在时间序列预测领域，传统方法与新兴的人工智能（AI）模型正不断碰撞与融合。AI 模型虽强大，但时间序列预测因数据样本少、随机性高，一直难以充分利用 AI 优势。而“跨学习”“全局模型”或“数据池化”等方法，为解决这一困境带来了新的思路。

全局模型在时间序列预测中的应用

全局模型的动机是结合单变量或局部模型捕捉时间序列的局部行为，同时利用全局模型捕捉不同时间序列间的共同模式。例如在能源预测竞赛中，有参赛方案采用统计单变量技术捕捉家庭能源消耗的独特行为，用全局模型捕捉共同模式，最后将两者预测结果结合以提高整体预测准确性。

随着全局模型在预测领域受到更多关注，其应用中的挑战与创新也在快速增长。以下是全局模型未来需要研究的几个方向：
1. 模型可解释性 ：单变量统计模型（如 ETS、ARIMA）的优势在于其预测结果具有可解释性，可根据模型拟合所使用的组件类型（如季节性、趋势类型、滞后等）进行解释。但全局模型的预测结果往往难以解释，特别是针对特定时间序列。为解决这一问题，有研究提出了局部模型无关的可解释预测框架。
2. 分层预测 ：许多企业和行业面临对分层组织的时间序列进行预测的挑战。传统方法是先为每个时间序列生成单独预测，再应用协调算法确保预测的一致性。而全局模型可以在整个层次结构上进行训练，更好地利用序列间信息，且可扩展以处理大规模分层时间序列数据库。近期有研究尝试采用统一方法进行分层时间序列预测。
3. 基于树的回归模型 ：基于树的回归模型（如梯度提升模型）作为全局模型进行训练时，在预测方