我的训练数据包含股票价格和 40 个掩码特征。这些被掩盖的特征也出现在我的测试数据中。我想预测测试数据中的价格列。我可以将其作为正常的监督学习问题来解决，而不是将其视为时间序列问题，因为我有足够的自变量来预测测试数据中的目标变量。
更重要的是，我应该如何处理这个问题。
问问题
264 次
2 回答
1
另外，我怀疑我拥有的数据是否可以用于时间序列预测。
我附上了振动散点图的屏幕截图。
数据看起来很奇怪（x 轴上的某些值>1 值）。为什么要分散？
我有压缩机的每日振动数据（大约 1500 个样本），想再预测 30 天。我尝试了 ARIMA，但效果不佳。
实际上，有几种方法可以同时预测 n 值：
- 使用模型“预测下一个值”：对下一步进行预测，然后使用它并进行新的预测等等。这里的一个优势：1 个模型。缺点：你的错误会增长得非常快，因为你的错误是在每一步都结合在一起的。
- 使用 30 个模型预测 30 个值（提前 1 步，提前 2 步）。它更好，但调整可能需要很长时间。正如这里所建议的，https://github.com/facebook/prophet可以帮助你。
- 不同的组合。
顺便说一句，有一个很好的答案：https ://stats.stackexchange.com/a/354849/183391
但首先，检查您的数据，必要时进行插值（两种方式），考虑nan（如果有的话）。如我所见，您必须将更多时间花在数据处理上，而不是模型拟合上。
而且，不要忘记，时间序列有时也可以通过线性回归和其他模型来预测！根据情节的形状，它也可以是一个好方法！
于 2019-01-04T07:33:37.137 回答
0
Facebook的FBProphet库可以根据您的需要进行调整。
这是一个基于趋势+季节性+假期+错误的强大库
这也具有自动变化点趋势检测和异常值检测。
于 2019-01-02T11:19:13.473 回答