27、时间序列预测：特征方法与实际应用

时间序列预测：特征方法与实际应用

在大数据时代，利用整个数据集的信息来改进预测变得越来越普遍。随着人工智能的发展，一系列基于特征的预测方法应运而生。这些方法通过元学习来描述特征与预测模型选择/组合之间的关系，并且已经被应用到各种实际问题中。

1. 特征选择与预测组合方法

近年来，一些学者使用元学习器构建了基于特征的预测选择/组合方法。例如，使用随机预测、XGBoost、广义相加模型（GAMs）等。

• FFORMA框架 ：Montero - Manso等人（2020）提出了名为FFORMA的基于特征的预测组合框架，该框架使用元学习来建模时间序列特征与单个预测模型的样本外性能之间的联系。通过解决以下优化问题来获得组合权重：
  [
  \arg \min_{w} \sum_{n = 1}^{N} \sum_{i = 1}^{M} w(F_n) i \times L {ni}
  ]
  其中，$F_n$ 是第 $n$ 个时间序列的特征向量，$N$ 是时间序列的数量，$M$ 是预测方法的数量，$L_{ni}$ 是第 $i$ 种方法对第 $n$ 个时间序列的预测损失。

• 其他相关研究 ：Li等人（2020）引入了一种基于时间序列成像的自动提取时间序列特征的方法；Kang等人（2022）通过使用多样性替换式中的时间序列特征，对FFORMA进行了改进，降低了计算复杂度。这些研究大多基于M4竞赛数据集，该数据集包含来自不同领域（如人口统计、金融和工业）的100,000个具有不同季节性周期的时间序列。

  </