（部分摘自我之前的一篇文章） 首先你需要区分执行多步时间序列预测的两种不同方式：递归预测和直接预测：

• 在递归预测（也称为迭代预测）中，您只训练模型进行一步预测。训练完成后，您递归地应用最终模型来预测提前 1 步、提前 2 步等......直到达到所需$n$步骤预测范围。为此，您将每个连续步骤的预测反馈到模型中以生成下一步。这种方法被 ARIMA 和指数平滑算法等传统预测算法使用，也可用于基于机器学习的预测（参见这篇文章的例子，这篇文章的一些讨论）。
• 直接预测是当你为每个步骤训练一个单独的模型时（所以你试图“直接”预测$n^{th}$领先而不是达到$n$递归步骤。见Ben Taied等人。讨论直接预测和更复杂的组合方法。

现在回答你的主要问题：

机器学习方法能否产生提前 h 步的预测？

是的，ML 方法可以，并且它们可以使用递归和直接多步预测产生提前 h 步预测。不仅如此，对于直接多步预测，它们实际上比 ARIMA 或指数平滑等传统模型更适合该任务。但是请注意，对于直接多步预测，您需要事先指定要预测的 h 步并相应地训练您的模型，而对于递归预测，您可以将模型用于您想要的任意数量的未来步骤.

此外， Chevillon & Hendry认为，在某些情况下，直接多步预测比递归预测更准确——这意味着 ML 将比传统方法更准确。

对于您的其他问题：

• 我没有看到有人使用机器学习进行超前预测的原因是什么？

许多人使用 ML 进行多步预测，尤其是使用神经网络：R Forecast 包中提供的 Hyndman 的 nnetar 方法、Kourentzes 的 nnfor R 包、亚马逊的 DeepAR 模型等等。

XGBoost 也已成功用于一些 Kaggle 时间序列比赛。

参见Bontempi等人。进行一般性讨论。

• 如果有使用机器学习的方法，它比 ARIMA 更精确还是更不精确？

这是一个悬而未决的问题，显然取决于预测的数据和应用程序。

在过去的几个月里，我一直在使用时间序列进行异常检测，我可以与您分享我的经验。

我一直在使用的时间序列的特点是两个季节性（每天和每周），在白天没有趋势和许多高峰。

我做了几个实验，然后我选择了一个基于 LSTM 神经网络的模型，因为在我的情况下它的性能优于 arima，但当然作为统计学中的一切，没有通用的解决方案。

使用神经网络预测未来多个时间步长非常简单，您需要输出 N 个值而不是一个，并且将 N 个输出与真实的 N 个观察值进行比较。

根据我的经验，我可以告诉你，通过使用低 N（比如 1），该模型将严格使用过去的几个时间步来预测新的时间步，而不会真正“学习”季节性。另一方面，通过增加 N too mutch，可以学习季节性，但整体准确性会降低。

出于分析的目的，我发现 N = 4（未来 2 小时）是一个很好的折衷方案。

为了更笼统地回答您的问题，可以使用机器学习并预测 h-steps-ahead 预测。棘手的部分是您必须将数据重塑为您拥有的矩阵，对于每个观察，观察的实际值和定义范围内时间序列的过去值。实际上，您将需要手动定义与预测时间序列相关的数据范围，就像您将参数化 ARIMA 模型一样。矩阵的宽度/水平对于正确预测矩阵采用的下一个值至关重要。如果您的视野受到限制，您可能会错过季节性影响。

完成此操作后，要预测 h-steps-ahead，您将需要根据上次观察预测第一个下一个值。然后，您必须将预测存储为“实际值”，这将用于通过时移预测第二个下一个值，就像 ARIMA 模型一样。您将不得不迭代该过程 h 次以提前完成 h 步。每次迭代都将依赖于先前的预测。

以下是使用 R 代码的示例。

library(forecast)
library(randomForest)

# create a daily pattern with random variations
myts <- ts(rep(c(5,6,7,8,11,13,14,15,16,15,14,17,13,12,15,13,12,12,11,10,9,8,7,6), 10)*runif(120,0.8,1.2), freq = 24)
myts_forecast <- forecast(myts, h = 24) # predict the time-series using ets + stl techniques
pred1 <- c(myts, myts_forecast1$mean) # store the prediction

# transform these observations into a matrix with the last 24 past values
idx <- c(1:24)
designmat <- data.frame(lapply(idx, function(x) myts[x:(215+x)])) # create a design matrix
colnames(designmat) <- c(paste0("x_",as.character(c(1:23))),"y")

# create a random forest model and predict iteratively each value
rfModel <- randomForest(y ~., designmat)
for (i in 1:24){
  designvec <- data.frame(c(designmat[nrow(designmat), 2:24], 0))
  colnames(designvec) <- colnames(designmat)
  designvec$y <- predict(rfModel, designvec)
  designmat <- rbind(designmat, designvec)
}
pred2 <- designmat$y

#plot to compare predictions
plot(pred1, type = "l")
lines(y = pred2[216:240], x = c(240:264), col = 2)

现在显然，没有通用规则来确定时间序列模型或机器学习模型是否更有效。机器学习模型的计算时间可能会更长，但另一方面，您可以包含任何类型的附加特征来使用它们来预测您的时间序列（例如，不仅仅是数字或逻辑特征）。一般建议是测试两者，并选择最有效的模型。