Google Automl 花费大量时间进行预测

Question

我有大约 500 个时间序列数据集，为期 2.5 年，每个序列的粒度为 1 天。这相当于大约 100 万个数据点。 我想为每个时间序列以 1 天的粒度预测 2 周。这 500 个时间序列之间可能存在相关性。 在确保我拥有每个时间戳的数据之后，我们将这些 (500) 个时间序列提供给 autoML，其中每个时间序列都由“序列标识符”标识。 因此，我们对 autoML（预测）的输入是时间戳、系列标识符、特征和目标值。我有 30 个特征，它们是分类和数字的组合。 使用此设置，如果我向 autoML 提供数据，则需要 20 多个小时进行训练，这对我来说并不划算。

请帮我优化一下。

Answer 1

AutoML 是一个黑盒子。 您几乎无法优化训练时间，因为 AutoML 将在后台进行特征工程，并且会非常努力地不过度拟合您的数据。

这里只有两个选择：

• 使用具有最重要时间序列的较小数据集训练模型（这需要时间，因为 automl 必须努力避免过度拟合您的数据集）。

• 如果对您有意义，请删除时间序列标识符。这使 autoML 有更多机会不过度拟合数据，并可能更早获得结果。

请记住，您正在调整黑匣子。您的里程会有所不同。