如何使用机器学习解决时间序列问题

Question

您好，我有一个时间序列数据，其行为基本上呈锯齿状。在每个维护期之后，信号总是先升后降，直到发生维护，这将导致信号再次增加。我正在尝试预测信号，看看如果我安排未来的维护，信号会发生什么。

我是时间序列的新手，我不确定应该使用哪个模型来预测数据。我已经查看了互相关，但它似乎没有考虑任何会影响信号的事件，比如我的问题。

我只是在每次维护事件之后会发生什么，并且信号在每个维护期之后一直遵循类似的趋势，它会上升和下降。有什么建议吗？

Answer 1

您正在寻找时间序列数据的机器学习模型。 这是一个巨大的领域，但我会尝试写一些重要的笔记：

1. 尝试生成一个数据帧，其中每一行是一个时间戳，每一列是一个特征。
2. 现在您可以使用几个不同的时间窗口生成滚动特征 - 例如特征的滚动平均值/标准差。
3. 拆分数据以进行训练和测试 - 这是时间序列数据中非常棘手的部分。你应该非常小心。您必须按时间（不是随机）拆分数据，以便模拟您从过去学习并预测未来的现实世界。您必须验证您没有泄漏 - 例如，如果您使用“上周的滚动平均值”作为特征，您必须验证您没有使用来自训练集的数据计算您的信号以进行验证。
4. 使用经典 ML 方法训练基线模型 - 例如提升树等。
5. 在接下来的步骤中，您可以改进基线，然后继续使用更高级的模型（LSTM 等）