时间序列预测：特征工程实用指南（一）

当下时间序列预测的方法主要有三种

• 第一个是传统的时间序列预测方法，典型代表有ARIMA和指数平滑法
• 第二个是基于机器学习的方法，目前用的最多的是lightgbm和xgboost
• 第三个是基于深度学习的方法，如RNN、LSTM等

现在传统时序预测的方法的预测精度都已经不如基于机器学习和深度学习的方法了，但是后者依赖于特征工程，特征调教的好的话是可以达到很高的预测精度的

一个典型的时间序列数据，会包含以下几列：时间戳，时序值，序列的属性变量，比如下图，日期就是时间戳，销量就是时序值，如果是多序列的话可能还会有序列的属性变量，如城市、产品、价格等。

除了销售数据之外，时间序列数据可以包括各种不同类型的信息。以下是另一个典型的时间序列数据的示例：

数据类型：气象观测数据

1. 时间戳（时间戳列）： 记录每个观测时间点的日期和时间。
2. 时序值（时序值列）： 记录与每个时间点相关的气象测量值，如温度、湿度、风速等。
3. 序列的属性变量：
   • 地点（城市）： 记录每个观测点的地理位置，比如城市名。
   • 观测类型： 记录所测量的气象参数类型，如温度、湿度、降水量等。

示例数据：

时间戳	温度 (摄氏度)	湿度 (%)	风速 (m/s)	城市	观测类型
2024-03-22 00:00:00	20	60	2	北京