时间序列分析模型

Question

我只是想知道我们是否有一个模型考虑了时间序列预测的两个因素（例如预测未来的销售）。

问题是，如果我们使用像 ARIMA 这样的东西，那么它不会考虑重要信息（比如公司添加的新促销活动，或者可能是产品类型等其他因素）。

另一方面，如果我使用像随机森林这样的机器学习模型，那么我就会丢失趋势和季节性信息。

我们有结合这两者的东西吗？

Answer 1

ARIMA 模型可以获取除时间序列数据本身之外的其他信息。这些被称为因果变量或外生变量。请参阅 ARMAX 和 ARIMAX 模型。

指数平滑型模型（Holt、Holt-Winters 等）稍微复杂一些。

机器学习模型也可用于时间序列数据，您只需要以正确的方式格式化数据即可。

对于传统的时间序列模型，数据如下所示：

Train              Test 
[1, 2, 3],          [4]
[1, 2, 3, 4],       [5]
[1, 2, 3, 4, 5],    [6]
[1, 2, 3, 4, 5, 6], [7]

您可以重新格式化数据，使其看起来像一个监督学习问题：

Train:    [1, 2, 3 | 4]
          [2, 3, 4 | 5]
          [3, 4, 5 | 6]
-----------------------
Test:     [4, 5, 6 | 7]

您可以应用大多数受监督的 ML 方法。但是请注意，对于 ML 模型，时间序列输入将始终是固定数量的滞后（与指数平滑等顺序模型相比）。

Model for Time Series Analysis