14、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. 时间序列特征工程的重要性

在进行时间序列预测时，从机器学习的角度出发，特征工程至关重要。它意味着创建有信息价值的变量（可以从时间序列本身或其时间戳创建），以帮助获得准确的预测。特征工程不仅对纯机器学习模型很重要，还可以用外部回归变量丰富统计模型，例如在 ARIMAX 模型中。

常见的特征工程方法包括：
- 从时间戳中提取相关信息，如年、季度、月、周数或星期几。
- 根据时间戳添加特殊日期的相关信息，例如在零售行业中添加所有假期的信息，可使用 holidays 库获取特定国家的假期日历。
- 添加目标的滞后值，类似于 AR 模型。
- 基于滚动或扩展窗口的聚合值（如最小值、最大值、均值、中位数或标准差）创建特征。
- 计算技术指标。

2. 基于时间戳创建特征的示例

这里以 2017 年至 2019 年的模拟每日数据为例，展示如何基于时间序列的时间戳创建特征并使用这些特征拟合线性模型。具体步骤如下：

2.1 导入库

import numpy as np
import pandas as pd
from datetime import date
from sklearn.linear_model import LinearRegression
from sklearn.preprocessing import FunctionTransformer
from sklego.preprocessing import RepeatingBasisFunction