13、基于机器学习的时间序列预测方法

基于机器学习的时间序列预测方法

1. 时间序列预测方法概述

传统的时间序列分析和预测多采用统计方法，如 ARIMA 和指数平滑法。不过，这些方法相对较为陈旧。如今，基于机器学习的方法在时间序列预测领域逐渐崭露头角。

1.1 传统方法回顾

在之前的实践中，使用过 ARIMA 模型和指数平滑法进行时间序列预测。在尝试过的所有 ARIMA 模型中，管道模型表现最佳，但仍显著逊色于指数平滑法。

1.2 机器学习方法的引入

机器学习方法为时间序列预测带来了新的思路。接下来将聚焦于以下几个方面：
1. 时间序列模型的验证方法。
2. 机器学习模型的特征工程。
3. 将时间序列预测问题转化为简化回归问题。
4. 使用 Meta 的 Prophet 算法进行预测。
5. 利用 PyCaret 进行时间序列预测的自动机器学习。

2. 时间序列模型的验证方法

2.1 交叉验证概述

交叉验证是评估模型性能的常用方法，它能为模型的泛化误差提供可靠估计，尤其在处理小数据集时十分有用。基本的交叉验证方案是 k 折交叉验证，即将训练数据随机分成 k 折，用 k - 1 折训练模型，在第 k 折上评估性能，重复 k 次并求平均得分。

然而，k 折交叉验证并不适合时间序列模型，因为它没有保留时间顺序。例如，第一轮可能使用最后 4 折的数据训练模型，而用第一折的数据进行评估。

2.2 向前验证（Walk - Forward Validation）

2.2.1 扩展窗口验证（Expandi