您的特征很可能有时间偏差。假设您想从数据中预测月份和年份。您会在 CV 期间看到非常好的表现，因为您每个月都有足够的数据点。但是，您无法使用您的预测器很好地预测未来（2016 年 4 月至 2016 年 6 月）。另一个例子是假设你有一个特征，它的密度在一段时间内会发生变化。那么 cv 误差和你对未来的预测之间的差异会很大。要解决它，您可以使用以下建议：

• 丢弃时间有偏差的特征：时间相关的指标，在​​时间上有很大变化的特征等
• 创建部分独立于时间的特征：从日期开始，获取“星期几”、“周末”等

首先，如果时间序列有趋势，那么基于树的模型可能不是好的选择（因为树模型无法外推，无法预测大于或小于训练集中值的值），或者您可以先去除趋势，然后使用xgboost预测线性模型的残差。

其次，正如 Mortezaaa 所暗示的，如果这个时间序列与星期几、假期、周末或季节等相关。然后你可以构建许多特征来提高你的预测结果！除此之外，时间序列的移动平均线也可以是特征。kaggle上有很多很好的例子，比如rossmann-store-sales预测和bike-sharing-demand prediction，还有时间序列，获胜者做了很多特征工程！你会学到很多东西。