我有一个数据集，其中包含约 500 个不同市场（假设不同的城市或地区）的销售数字，并且需要每个市场的月度预测。我感兴趣的不是构建 500 个不同的模型，而是只使用一组参数训练一个模型，以防止我不得不手动对每个市场进行特征工程。
有人可以为我指出这个问题的一些资源吗？我经历了类似的堆栈问题，但它们对此并没有特别的帮助。
具体来说，我知道这里有时会使用 LSTM，但经典方法也会有效吗？
使用单个模型预测多个时间序列
数据挖掘
机器学习
时间序列
预测
2022-02-16 20:47:40
2个回答
您可以将市场视为基于树（使用决策树作为弱学习器）集成模型（例如随机森林或梯度提升）中的分类特征。一些应用是：
在我们继续为所有市场创建单一模型之前，请检查以下几点。如果满足以下所有点，那么我们可以轻松地为所有市场创建单一模型。
- 时间序列数据是否具有相同数量的信息（以年计）
- 检查所有市场的固定装置是否相同？
- 检查所有市场的季节性是否相同？
如果您觉得每个市场的数据季节性都在变化，那么请尝试使用标准化来减少它。
完成标准化后，我们需要检查所有市场的季节性是否相同？他们开始开发模型并随机检查至少 100 个国家的 Rsquared 或 MSE 值。
从 ARIMA 或 Holtwinters 等小型模型开始，而不是 LSTM。
如果您觉得 100 个国家/地区中有 80 个国家给出了相同的答案，那么请继续与所有国家/地区核实。
在创建模型之前始终尝试探索数据
其它你可能感兴趣的问题