您拥有的数据是面板数据，它是横截面数据和时间序列的组合。

您可以通过为数据提供时间戳来尝试回归模型。就像根据您的工作日（1 到 7）维护一个特征。或者如果您的数据中有趋势和季节性，您可以将周数作为特征（0 到53) 周。

你为什么不两个都试试？在您的测试和交叉验证集中测试方法的准确性。使用学习曲线相关技术得出实验性的逻辑结论。请记住，这是数据“科学”！

我认为线性回归在这里比时间序列分析更可行，因为我认为你有很多分类变量，时间序列分析更适用于纯数字数据。

您的许多分类变量可能是 NA，并且许多可能具有高基数，因此可能不适合单热编码。所以你必须选择一种算法，它可以很好地处理 NA 值，并且可以处理许多独特的分类变量变成指标变量。您也可以通过适当的预处理来处理这个问题。

此外，您没有告诉使用您的数据集是否具有次日（例如每小时）或每日分辨率。我认为每天的分辨率太粗糙（天气可能每天变化几次），客人到达的高峰可能在早上或晚上。因此，当您想要确定周期性（例如，大多数餐厅的工作日可能以小时为单位）时，时间序列分析会大放异彩，但您的变量似乎在日常水平上且难以预测。