使用窗口数据集预测未来时期的时间序列值

Question

我的数据直到 3650 个时间步长，但我想做出未来的预测，即 3650 个时间步长之后的数据。 我是机器学习的新手，显然无法弄清楚。 我该怎么做？ 供参考， Colab 笔记本

Answer 1

此处描述了如何使表格（或横截面）回归算法适应预测问题的一般方法。 简而言之：您在滞后观察的 windows 上训练您的 model。 要生成预测，您有不同的选择，使用最常用的递归策略，这里您使用最后一个可用的 window 来预测第一个值，然后用第一个预测值更新最后一个 window 来预测下一个值，依此类推。

如果您有兴趣，我们正在为这些用例开发一个扩展 scikit-learn 的工具箱。 因此，使用sktime ，您可以简单地编写：

import numpy as np
from sktime.datasets import load_airline
from sktime.forecasting.compose import RecursiveTabularRegressionForecaster
from sklearn.ensemble import RandomForestRegressor
from sktime.forecasting.model_selection import temporal_train_test_split
from sktime.performance_metrics.forecasting import mean_absolute_percentage_error
y = load_airline()  # load 1-dimensional time series
y_train, y_test = temporal_train_test_split(y)  
fh = np.arange(1, len(y_test) + 1)  # forecasting horizon
regressor = RandomForestRegressor(random_state=3)  
forecaster = RecursiveTabularRegressionForecaster(regressor, window_length=10)
forecaster.fit(y_train)
y_pred = forecaster.predict(fh)
print(mean_absolute_percentage_error(y_test, y_pred, symmetric=True))
>>> 0.1440354514063762