您能否在滞后于目标变量从而消除趋势后预测时间序列趋势？
Can you forecast timeseries trend after lagging the target variable thus removing the trend?
可能我遗漏了一些明显的东西——当我去趋势化我的时间序列目标数据时，我的模型预制得更好。那太棒了。但是，我正在尝试预测整个周期，趋势很重要。有没有办法用这些更好的分数重建趋势，或者我首先通过消除趋势来射击脚？
趋势完整的平均绝对误差在 0.001-0.003 的数量级，去除趋势后得分约为 0.0001
请提供更多信息。
你使用什么样的模型？
你能举一个时间序列的例子吗？ pd.Series(数据=[100,110,120,130,140])？
您是否检查过过度拟合，这意味着您的模型在当前数据集上表现良好，但一旦有新数据进入，它的表现就很差。
您的时间序列是否真的有趋势，或者它或多或少地横向移动（从情节上讲）？
您也可以组合不同的模型，例如线性模型模型可能是模拟趋势的不错选择。实施线性趋势模型后，您可以添加另一个模型，该模型试图预测线性趋势模型的错误位置。所以基本上你可以添加一个随机森林算法来预测线性模型的残差。
获得两个模型后，您可以简单地总结两个模型的预测。总趋势的线性模型和试图预测季节性的随机森林。
您还可以研究本质上识别季节性的模型，例如 ARIMA 模型。
可能我遗漏了一些明显的东西——当我去趋势化我的时间序列目标数据时，我的模型预制得更好。那太棒了。但是，我正在尝试预测整个周期，趋势很重要。有没有办法用这些更好的分数重建趋势，或者我首先通过消除趋势来射击脚？
趋势完整的平均绝对误差在 0.001-0.003 的数量级，去除趋势后得分约为 0.0001
请提供更多信息。 你使用什么样的模型？ 你能举一个时间序列的例子吗？ pd.Series(数据=[100,110,120,130,140])？ 您是否检查过过度拟合，这意味着您的模型在当前数据集上表现良好，但一旦有新数据进入，它的表现就很差。 您的时间序列是否真的有趋势，或者它或多或少地横向移动（从情节上讲）？
您也可以组合不同的模型，例如线性模型模型可能是模拟趋势的不错选择。实施线性趋势模型后，您可以添加另一个模型，该模型试图预测线性趋势模型的错误位置。所以基本上你可以添加一个随机森林算法来预测线性模型的残差。 获得两个模型后，您可以简单地总结两个模型的预测。总趋势的线性模型和试图预测季节性的随机森林。
您还可以研究本质上识别季节性的模型，例如 ARIMA 模型。