多个时间段的预测:天气数据的示例
Multiple time period forecasting an example of weather data
利用预测时间窗口作为特征来预测瑞士的降水。
- 介绍
- 示例:瑞士的降水
介绍
传统方法
当我们想要预测时间序列的未来值时,通常会对多个未来时间窗口感兴趣,例如在1、2或3个月后会发生什么。传统方法是针对每个目标时间窗口训练一个单独的模型来预测这些不同的时间窗口。
常见替代方法
常见的替代方法是在短时间窗口上训练一个单一模型,并通过递归应用该模型来扩展到多个时间窗口(即使用先前的预测作为输入来生成后续的预测)。然而,这种方法在实际系统中可能很复杂,并且可能导致误差传播:对于接近的时间窗口的误差可能对后续时间窗口产生不利影响。
另一种替代方法是使用多变量模型同时预测所有时间窗口。然而,支持多变量输出的模型种类有限,并且在数据处理和模型维护方面需要额外的工作。
将时间窗口作为特征
一种更简单的方法是将为每个时间窗口准备的数据连接起来,并添加一个新的“时间窗口”特征。这种方法具有以下优点:
- 易于理解和实现,因为它只需要训练和维护一个单一的模型。
- 它可能提高预测的准确性,因为模型是在更大的数据集上训练的。它甚至可以用作“数据增强”技术:如果您只对几个时间窗口感兴趣,您仍然可以在训练阶段添加额外的时间窗口以改进模型估计。
- 该模型可以用于预测其未经训练的时间窗口,这在需要预测多个时间窗口时可能会有所帮助。
这种方法是全局模型的对应物,但在多个时间窗口的上下文中而不是多个…