我在多个位置记录了时间序列数据，存储在矩阵中。我已经为它拟合了一个向量自回归模型，它可以很好地预测测试集上的数据。但是，如果我绘制残差，肯定会留下一些时间序列结构；理想情况下，残差看起来像噪音。 $Y$

我一直在学习增强树（R 中的包 'gbm'），它将响应向量拟合到某些输入特征，拉出残差，然后再次拟合到相同的输入特征（重复直到过程开始过度拟合）。我相信一棵树不能很好地模拟时间序列结构，所以我想知道是否可以使用 AR 模型作为弱学习器来完成相同的过程。$Y$$X$$E = Y - f(X)$$E$$X$

在拟合我的 VAR 模型后，我获取残差并为其拟合 AR 过程，并使用 R 中的“预测”包对其进行预测。然后我将我的 VAR 预测添加到我的 AR 预测中以获得最终预测。某些位置的误差会减少，但对于大多数位置，误差会增加。

下面是仅适合 VAR 模型的残差图 - 肯定有一些结构仍然可以使用某些模型来解释。有什么建议么？

更新： 时间序列代表不同位置的能源消耗。在夜间，我们预计能源消耗会非常低且平稳，白天可能会有高波动性，因此差异肯定不是恒定的。我的第一步是使用 STL（使用黄土进行季节性趋势分解）去除每日季节性成分。之后，我将我的 VAR 模型拟合，然后将另一个 AR 模型拟合到残差。移除季节性组件后的时间序列如下所示：

来自 VAR 的错误项看起来像