进行某些预测的最简单方法之一是使用像 ARIMA 这样的模型，该模型查看最近的先前观察结果来预测未来的一些步骤。ARIMA 代表自回归综合移动平均线：

• 自回归意味着某事物着眼于它自己的（自动）历史值
• 集成指的是_differencing，一步tp帮助去除非平稳性
• 移动平均线只是意味着模型还考虑了移动平均线（有助于将预测保持在合理的范围内）

这是对要点的详细解释。

在您的情况下，考虑到要使用的数据的天气和时间等因素，您可能会从使用季节性中受益。为此，有一个扩展的 ARIMA，称为 SARIMA - 其中 S 代表季节性。Python 的 statsmodels 包中有一个实现——或者如果你想使用 R，那么也许可以看看forecast伟大的 Rob Hyndman的sarima包，或者包。

如果您想使用更现代和更前沿的东西，那么您实际上是在谈论递归神经网络 (RNN)。不知道你对那里有多熟悉？您应该理解的一个关键术语：LSTM - 一种考虑过去数据、当前数据并在特定时间点维护模型状态的单元。

查看演练（示例），看看它是否对您有意义。

ARIMA 类型的模型很容易运行，结果也很容易解释，所以你真的知道发生了什么。像 RNN 之类的东西的性能应该会更好，但它很少能走上成功之路……当然，这取决于你的数据。

我建议使用LSTM-RNN。它们是一种非常方便的技术，可以处理基于多个输入的时间序列的特征预测。这是因为它们可以将所有输入/输出之间的时间依赖性作为黑盒处理，从而使您免于麻烦。

本教程正是您正在寻找的。它为您提供了使用 Python/Keras 快速原型化算法的代码，并且对于与您的问题非常相似的问题，它对我来说效果很好。