这个问题有三个子部分，回答每个子部分可能不需要大量的文字。我希望没关系。

我正在尝试使用 ML 来理解时间序列预测。我有目标变量，并假设另外两个变量（例如，如果是商品的需求，可以是商品的类型或商品的价格等）。另外，假设我使用的是随机森林模型，因为我读过它通常开箱即用。$y_t$$x_t,z_t$$y_t$$x_t$

i) 据我了解，如果我将作为预测变量，模型可能只是学习预测，例如与滞后存在自相关。鉴于此，将作为特征包含在内是不是一个坏主意？$y_{t-1}$$y_t=y_{t-1}$$1$$y_{t-1}$

ii) 每个预测变量可能具有一个或其他典型的时间序列特征，如非平稳性、自相关或季节性。如果任何预测变量具有任何特殊特征，我是否必须遵循或转换（到预测变量）的一些特殊方法？$x_t,z_t$

iii) 通常，进行此类预测的最佳实践是什么？我目前的想法是：使用作为预测变量而不进行转换。使用带有网格搜索参数的 ARIMA 来拟合训练数据并进行验证。用它作为基线。最后，使用随机森林预测差分时间序列 ，使用作为预测变量并与基线进行比较。我在这里遗漏了什么还是应该考虑一些额外的东西？$x_t,z_t$$y_t-y_{t-1}$$x_{t-1},z_{t-1}$

提前致谢！