在进入建模之前，我想你可以做更多的探索性分析（逐月，逐年）。如果您发现任何趋势或季节性等。

为什么不使用ARIMA、ARMA、指数平滑和AR之类的基础技术而直接进入 RF。

有时 RF 可能不会像基本模型那样给你带来好的结果，我认为你没有趋势，这是来自你的图表（但不确定）。如果您可以尝试做一些研究，看看是否有一些外部因素影响您的需求。为什么会发生这种情况，它的根本原因是什么。

为了让您的模型理解，它需要一些能够以某种方式解释其尖峰的特性，它可以通过进行特性 engg/ 研究来实现

随机森林和一般的基于树的模型不能很好地处理趋势。

原因很简单：在任何决策树内部，都有离散规则，例如： 这是深度为 1 的树（所谓的“茎”），但更深的树遵循相同的逻辑。变量和常量、、适合训练数据。这就是问题所在：如果在训练数据中从未高于，那么即使明显增加，您的树也永远不会预测

$$y = \begin{cases} y_1, & \text{if } x > c \\ y_2, & \text{if } x <= c \end{cases}$$ $x$$y_1$$y_2$$c$$y$$y_1$$y>y_1$$y$

另一方面，线性模型（例如 XARIMA 及其特殊情况）可以很好地捕捉趋势。但是它们在数据中的非线性和特征相互作用很差。根据我自己的经验，以下堆叠方法效果最好：

1. 为您的数据拟合一个简单的基于时间的线性模型。
2. 将基于树的模型（随机森林或提升）拟合到线性模型的残差。

如果正确指定了线性模型，它将捕获并消除数据中的非平稳性。因此，基于树的模型将预测静态残差并找到比线性模型更精细的依赖关系。

这个 Python 示例说明了这个问题：

import numpy as np
from sklearn.datasets import make_friedman2
from sklearn.ensemble import RandomForestRegressor
from sklearn.linear_model import HuberRegressor
from sklearn.metrics import r2_score
from sklearn.model_selection import cross_val_predict

# make a difficult dataset with a linear trend
X, y = make_friedman2(n_samples=1000, random_state=1, noise=10)
time = np.arange(1000)
y += time * 1.5
X = np.hstack([X, time[:, np.newaxis]])
X_train, y_train = X[:700], y[:700]
X_test, y_test = X[700:], y[700:]

# build a pure Random Forest
rf = RandomForestRegressor(random_state=1, n_jobs=-1).fit(X_train, y_train)
y_rf = rf.predict(X_test)

# build a pure linear model
linear = HuberRegressor().fit(X_train, y_train)
y_lin = linear.predict(X_test)

# build a stack of two models
lin_resid = y_train - cross_val_predict(linear, X_train, y_train)
rf.fit(X_train, lin_resid)
y_stack = y_lin + rf.predict(X_test)

print(r2_score(y_test, y_rf))    # R2 on test data is only 0.34
print(r2_score(y_test, y_lin))   # R2 due to time trend is 0.86 
print(r2_score(y_test, y_stack)) # R2 of combined model is 0.95

考虑到您的数据（您在上面显示的示例），我建议tbats()使用 R 中的预测包中的函数。因为您的数据可能具有每小时和每天的季节性，这建议我们使用“TBATS 模型（具有 Box-Cox 转换的指数平滑状态空间模型） , ARMA 错误, 趋势和季节性分量)"

参考文献：De Livera, AM, Hyndman, RJ, & Snyder, RD (2011)，使用指数平滑法预测具有复杂季节性模式的时间序列，美国统计协会杂志，106(496)

或者您可以使用动态谐波回归。参考和示例https://otexts.org/fpp2/complexseasonality.html