所以我有这种格式的多个时间序列数据——
id 周 X1 X2 X3 y 1 201901 10. 34.9 52.8 0 1 201902 20. 44.1 12.6 1 1 201903 30. 54.2 84.3 1 1 201904 40. 64.4 77.1 0 2 201901 10. 64.9 62.8 1 2 201902 20. 54.1 22.6 1 2 201903 30. 34.2 54.3 1 2 201904 40. 44.4 17.1 0
我想预测y接下来的两周。我该如何解决这个问题？
我认为的一种方法是在数据集上进行训练，然后测试数据看起来像这样 -
id 周 X1 X2 X3 1 201905 20. 45.2. 33.2 2 201905 10. 65.2. 23.2
这是进行这种分类的正确方法吗？或者我应该独立训练每个时间序列的模型。
谢谢！
需要明确的是，这里的时间序列分类是指预测离散值。在另一种情况下，时间序列分类可以指预测整个时间序列的单个类别（即心脏病与健康心脏）。感谢@mloning 指出这一点。
在预测离散输出时，模型被训练为根据之前的值预测下一个值，这意味着
t（在您的场景中，数据不超过week = 201904）t + 1（ywhen week = 201905）处的值如果您想预测未来超过 1 个值，您应该以循环方式执行预测，即：
t进行预测t + 1t + 1（t + 1您自己的预测在哪里）的数据来预测t + 2你想看多远的未来叫做地平线。您可以随意使用任意大的地平线。当然，由于未来的每一步都是基于猜测而不是实际数据，因此预计您看得越远，您的预测就会变得越糟糕。这很有意义。这就是为什么预测明天的天气比 7 天后的天气更容易的原因。
将数据拆分为训练和测试与普通分类问题没有太大区别。唯一的限制是您的测试数据应该只包含与训练数据相比“未来”的数据。这是一个很好的博客：https ://towardsdatascience.com/time-based-cross-validation-d259b13d42b8
简短的回答：尝试两种方法，看看哪一种效果最好
长答案：
所有这一切都取决于您是否相信每个时间序列代表不同的“过程”或“模式”。可能是单个模型可以对任一时间序列做出良好的预测。也可能是两个时间序列都代表不同的过程，因此，为每个时间序列训练不同的模型可能更明智。
把它想象成天气预报。我可以拥有一堆城市的时间序列数据。我可以为每个城市训练一个特定的模型，但它也可能有助于使用来自所有城市的数据来训练一个模型，以便它可以捕获通用的天气模式。如果突然之间，我需要预测一个我不知道的新城市的天气，这会有所帮助。由于我不知道它，我没有专门用于它的模型，所以我需要重用一个，理想情况下应该足够通用。