新2官方下载网站 新2官方下载网站 新2官方下载网站

时间序列预测的两个主要应用

时间序列预测按最大方向分为两种,一种是固定时间预测,一种是滑动预测。

1. 固定时间预测是指我们只预测一个固定的时间段,比如双十一前后两周的典型向量,每年做一次预测。我们只需要在双11期间预测,其他时间段不需要预测。这种预测是最简单的。比如有10000个sku,每个sku有5年的数据。构建样本的方法是:

【元年双11前某段时间,双11元年销量】

预测除了时间序列还有哪些_时间序列分析在我国居民消费水平预测中的应用_国民教育序列报名时间

【第二年双十一前的某段时间,第二年双十一期间的销售额】

. . .

时间序列分析在我国居民消费水平预测中的应用_国民教育序列报名时间_预测除了时间序列还有哪些

【第五年双十一前的某段时间,第五年双十一期间的销售额】

相对来说预测除了时间序列还有哪些,这类问题的建模难度较低,但是模型会更稳定,也更容易学习,因为双十一期间的数据分布在每年去除整体趋势后会比较稳定,而gbdt用于去除趋势后添加一些特征。项目(如前一年或两年双十一期间非常重要的销售额,当年双十一前的平均销售额等)都能取得不错的效果,当然也可以用nn;

时间序列分析在我国居民消费水平预测中的应用_国民教育序列报名时间_预测除了时间序列还有哪些

2.滑动预测不固定。这个问题是最难的,因为你需要根据之前某个时间段的数据,灵活地预测每个时间点的未来数据。这种预测真的很难做到,还是以双十一为例吧。平时的销量可能比较稳定,但双十一期间销量暴涨。此外,520年6月18日、元旦等特殊节日也会对销量的分布产生一定的变化。核心问题是数据的分布在不断变化。需要找到一个特征空间,可以使销售等要预测的数据作为一个整体稳定分布。这真的很难,也很麻烦。

国民教育序列报名时间_时间序列分析在我国居民消费水平预测中的应用_预测除了时间序列还有哪些

预测除了时间序列还有哪些_时间序列分析在我国居民消费水平预测中的应用_国民教育序列报名时间

比如对于这样的数据,一些暴涨的时间点往往需要单独做一些特征工程处理预测除了时间序列还有哪些,否则很难建模,比如你的模型的x通常是这样的:

预测除了时间序列还有哪些_时间序列分析在我国居民消费水平预测中的应用_国民教育序列报名时间

国民教育序列报名时间_预测除了时间序列还有哪些_时间序列分析在我国居民消费水平预测中的应用

在某个特殊的时间点,您的 X 看起来像这样:

时间序列分析在我国居民消费水平预测中的应用_预测除了时间序列还有哪些_国民教育序列报名时间

在这种情况下,x的分布发生了极大的变化,模型很容易得到错误的预测结果。除了第一次,序列本身的基础等级也在发生变化。例如,冰淇淋在夏天的销量很高,但在冬天的销量却很低。变得非常低,如果预测的时间间隔是跨季节的,这会更加复杂。

我还没有找到更合适的方法来建模这种预测困难的问题,所以让我们慢慢学习。