假设您有一组用户，数以万计。您可以使用此应用程序了解他们的每个行为的时间序列。您如何使用这些时间序列来预测新用户的未来行为？
直观的解决方案是将用户的工程师行为特征化并使用它来训练模型，例如平均每周在应用程序中的分钟数等。我对这种方法的问题是您会丢失大量信息。
我想知道是否有更好的技术来聚合大量时间序列数据来构建预测模型。也许 LSTM 会起作用，但这似乎无法捕捉数据集的细微差别，而且我不相信它们通常用于聚合对各种单个样本的预测。
使用多个时间序列进行预测
数据挖掘
预测建模
时间序列
2021-10-06 04:01:55
2个回答
我建议调查FBProphet。
这是自动创建预测的一个很好的起点。它非常易于使用，并且通常比开箱即用的经典预测方法（ARIMA、Holt-Winters 等）产生更好的结果。
默认设置提供由趋势和季节性组成的加法或乘法模型。这可以是每日、每周和每年季节性模式的组合，如果需要，可以选择添加自定义模式。还可以使用内置的假日日历跟踪假日效果，该日历也可以自定义。
这通常用于没有外部回归量的数据，只有日期时间和测量值。但是，可以配置外部回归器，以影响预测结果。
其它你可能感兴趣的问题