我希望我的先知模型能够预测接下来 24 小时内每 10 分钟间隔的值（例如 24*6=144 值）。
假设我已经在一个巨大的（超过 900k 行）.csv文件上训练了一个模型，其中样本行是......
ds=2018-04-24 16:10, y=10
ds=2018-04-24 16:20, y=14
ds=2018-04-24 16:30, y=12
...
所以我打电话mode.fit(huge_df)并等待 1-2 秒来接收 144 个值。
然后一个小时过去了，我想在给定新数据（6 行）的情况下调整以下 (144 - 6) 138 个值的预测。
我怎样才能调整我现有的先知模型而不必再次打电话 mode.fit(huge_df + live_df)等待几秒钟？我希望能够打电话mode.tune(live_df)并获得即时预测。
据我所知，这实际上是不可能的。我认为他们使用 BFGS 优化算法的变体来最大化模型的后验概率。因此，在我看来，训练模型的唯一方法是考虑您要使用的整个数据集。迁移学习与神经网络一起工作的原因是它只是一个权重（参数）初始化，然后反向传播在标准 SGD 训练模式中迭代运行。从理论上讲，您可以在先知的情况下将参数初始化为先前模型的参数，这可能会或可能不会按预期工作。然而，我不知道目前已经实现了一些类似的东西（但由于它是开源的，你可以试一试，希望能大大减少收敛时间）。
现在就实际建议而言。您可能不需要所有数据，只需将其尾随手头问题的真正需要即可。例如，如果您只有每月的季节性，那么拥有 10 年的数据是没有意义的。此外，根据您的数据自相关的强度，您可能会在不失去任何预测能力的情况下稍微降低采样。另一个想法是尝试一种适合在线学习（或批处理）的算法 - 例如，您可以尝试使用扩张卷积的 CNN。
时间序列问题与通常的机器学习问题完全不同。当我们训练猫/狗分类器时，猫和狗的特征集不会立即改变（进化很慢）。但是当涉及到时间序列问题时，每次都应该在预测之前进行训练。当您进行单变量预测（如您的情况）时，这一点变得更加重要，因为我们提供给模型的唯一特征是过去的值，这些值会在每个实例中发生变化。由于这些担忧，我认为像迁移学习这样的东西不会在时间序列中起作用。
相反，您可以做的是，尝试使用滚动窗口方法将您的时间序列问题转换为回归问题。然后，您可以保存该模型并获得预测。但是，请确保在较短的时间间隔内一次又一次地训练它，例如每天一次左右，具体取决于您需要预测的频率。