我想用下面的例子来说明我的问题：
我有一家批发公司，我通过它销售 200 种产品：
P1,P2,P3 .... P200
对于 1000 个客户 C1,C2,C3 ... C1000 我将我的销售记录作为时间序列保存在数据库中，在该数据库中我将product_id,customer_id, amount and timestamp每笔交易的记录保存 4 年。
我的问题是，无论预测算法（静态或学习）如何，都可以通过单一模型预测所有这些产品的销售额吗？或每个产品的模型，还是每个客户的模型？如果这些选择中的任何一个或多个是有效的，为什么？
感谢这个问题，我认为在所有（或许多）类型中使用时间序列预测是一个很好的用例。
正如您所建议的，有几种可能的方法，它们都是有效的先验假设，可以根据您的目标进行检查和验证。回答问题：
是的，可以构建一个模型来一次预测您的产品的销售额（也称为多输出预测模型），其中您的每个产品都将是一个预测功能 --> https://www.tensorflow .org/tutorials/structured_data/time_series#multi-output_models，您可以预测单个时间步长还是多时间步长预测
我想说为每个产品建立一个模型是有意义的，因为你可能会拥有比产品更多的客户；这样，对于每个产品，您将有多个购买它的客户，并且为某种类型的产品建模客户特征听起来很合理；在这种情况下，您有一个要预测的单一特征（在您拥有此模型类型的同一信息源中，对于单时间步长或多时间步长预测都是如此：https ://www.tensorflow.org/tutorials /structured_data/time_series#single_step_models
为了补充可用的答案，时间序列预测的最新趋势是所谓的全球预测。这里通过所有产品构建了一个全局模型，但单独预测每个产品（与多输出预测模型不同）。目标是在数据稀缺的情况下使用来自类似产品的可用数据来推断预测。您还可以通过对产品进行聚类来预处理数据。一些相关参考：