已经有一段时间了，但这仍然得到了支持。所以 ...

结果，我确实使用了随机森林，而且效果非常好。增强的树甚至做得更好。同样从那以后，我知道其他几个类似的项目也采取了同样的方式，取得了成功，而且很少大惊小怪。虽然 ARIMA 无疑是一种具有杰出历史的强大方法，但在当今世界，集成方法通常会让你更快地到达你想去的地方，但也许缺点是没有对真正发生的事情有太多了解在被子下。

需要注意的一件事是不要只是随机拆分您的训练/测试集并对其进行测试，您必须将其分块，以使测试点不会与训练点（在时间轴上）相匹配。这对于任何具有缓慢变化数据的时间序列都是必要的，否则森林总是会看到几乎与测试点相同的训练点，因此几乎完全适合它，从而给您带来高度误导性的性能，这不会反映看不见的真实生活表现数据。我在第一轮就犯了这个错误，并且对我的模型解释了 90% 以上的变化感到欣喜——大约一天，直到我意识到发生了什么。60% 到 80% 是它真正做到的。

我没有看到随机森林比 ARIMA 工作量少的论点。我会提出射频是更多的工作。

以下是 ARIMA 的过程： 1. 去趋势/转换数据 2. 检验平稳性 3. 运行自相关图 4. 为模型设置参数 5. 如果需要，运行网格搜索 6. 查看 RMSE

以下是随机森林的过程： 1. 您仍然需要转换数据 2. 您仍然需要测试平稳性 3. 您必须考虑创建一堆有用的特征，例如季节、一天中的时间、t-1、 t-7、t-14、拆分周、假期、所有机器学习模型的功能 4. 设置交叉验证（训练、测试） 5. 使用 gridsearch 或 kfold 进行优化 6. 选择参数，然后运行模型 7.看结果