我习惯于没有时间组件的数据集。在阅读时间序列数据时，我了解到在将 ARIMA 模型应用于单变量时间序列之前将数据转换为固定数据的重要性。但是，如果我有一个多元数据集（意思是：许多特征可能解释一个响应变量）并且我想使用高级 ML 技术，例如回归随机森林，该怎么办？在应用随机森林之前，我应该先将数据转换为固定时间序列吗？

谢谢！

以下具体问题的更多详细信息：

- 对于每个时间点（t=0, 1,....T），我有一个响应变量 y 和特征 x1,x2....xN 的值 -我需要基于 y 预测未来值关于知道 x1, x2,...xN -注意：我不能将时间用作预测 y 的特征之一 - 顺便说一下：如果我忽略数据中的任何时间结构，并在随机选择的训练中运行随机森林数据集，并评估剩余测试集的错误，我得到了一个很好的结果。注意：由于我忽略了时间顺序，我的测试集观察不一定发生在我的训练集观察之后。问题：1-如果我将数据转换为固定数据，然后在转换后的数据上运行随机森林，我可能会得到更好的结果吗？2-如果是这样，我是否需要对 y 和 x 变量应用相同的转换？例如 如果要删除 yi 差异 y 中的时间结构并删除 y 中的季节性分量，我是否还需要区分所有 x 并在运行随机森林之前删除 x 中的任何季节性分量？3-一旦我使系列静止，是否可以在不考虑时间顺序的情况下随机选择训练和测试数据集（即在训练集观察之后没有发生测试集观察）？e 特点。