这是不同类型的企业面临的一个非常普遍的问题。随着时间的推移预测客户的未来行为。

想象一下，随着时间的推移，我们有 100 万具有自己特征的客户，形成一个时间序列。这里的经典方法（像 ARIMA 这样的统计数据、像预言家那样的贝叶斯或像 LSTM 这样的纯计算方法）不是很合适，因为我认为每个系列团队都是完全独立的，许多系列都是超级稀疏的或刚刚开始并单独对待它们以训练每个系列的模型。

更保守的方法要求第一个分类器了解时间序列的行为（作为一种分组器），因此我们有具有相同季节性和趋势的曲线，然后进行归一化以使水平相同。我们为这些组中的每一个训练模型，然后我们回到旧的水平，我们有一个单独的预测。

我想知道模型是否有更合适的技术或规范的解决方案来更准确地理解和预测所有系列，以更具可扩展性的方式使用“组知识”（更相似的时间序列） .