401a26360366

@shirou 历史销售数据可以做聚合，比如日/月/年均销售额等

机器学习与时间序列预测

前言 在所有的预测问题里面，时间序列预测最让我头疼。 做时间序列预测，传统模型最简便，比如Exponential Smoothing和ARIMA。但这些模型一次只能对一组时间...

401a26360366

56722 53 63 1

401a26360366

@AG_f3a5 是的，维度不相同

机器学习与时间序列预测

前言 在所有的预测问题里面，时间序列预测最让我头疼。 做时间序列预测，传统模型最简便，比如Exponential Smoothing和ARIMA。但这些模型一次只能对一组时间...

401a26360366

56722 53 63 1

401a26360366

@Eric_aeee 1-9月数据构建预测特征X1和目标变量y1，即（X1,y1）；2-10月数据构建预测特征X2和目标变量y2，即（X2, y2）；3-11月数据构建预测特征X3和目标变量y3，即（X3, y3）。拼接后得到（X,y），其中X = {X1, X2, X3}，y = {y1, y2, y3]。而对于这三组数据，因为时间窗口不一样，所以基于此构造的（Xn, yn）是不一样的。

机器学习与时间序列预测

前言 在所有的预测问题里面，时间序列预测最让我头疼。 做时间序列预测，传统模型最简便，比如Exponential Smoothing和ARIMA。但这些模型一次只能对一组时间...

401a26360366

56722 53 63 1

401a26360366

@没有车胎的战车 不同组数据用的是不同时间段的数据，比如可能第一组用1-3月数据，第二组用2-4月数据，第3组用3-5月数据，那统计出来的结果是不一样的，拼接后不重复

机器学习与时间序列预测

前言 在所有的预测问题里面，时间序列预测最让我头疼。 做时间序列预测，传统模型最简便，比如Exponential Smoothing和ARIMA。但这些模型一次只能对一组时间...

401a26360366

56722 53 63 1

401a26360366

@hoojjack 整体来说这个理解是对的，还需要注意的就是，我这里提到的一个模型的方式，特指使用机器学习算法做预测，建模时需要人为从时间序列中构造截面数据，单店预测的话，可以使用传统时间序列预测模型（无需构造截面数据）

机器学习与时间序列预测

前言 在所有的预测问题里面，时间序列预测最让我头疼。 做时间序列预测，传统模型最简便，比如Exponential Smoothing和ARIMA。但这些模型一次只能对一组时间...

401a26360366

56722 53 63 1

401a26360366

@hoojjack 是的，假设1-100号店都有1-12月份的数据，数据维度（特征数）都是M，各店的样本量为 n1、n2、...、n100，那么我们的训练集应该有 (n1+n2+...+n100）个样本、M个特征，需要注意的是，M个特征里应该包含有每家店本身的信息（如店铺历史销售情况、店铺所在区域等等），因为不同店有不同销售特性

机器学习与时间序列预测

前言 在所有的预测问题里面，时间序列预测最让我头疼。 做时间序列预测，传统模型最简便，比如Exponential Smoothing和ARIMA。但这些模型一次只能对一组时间...

401a26360366

56722 53 63 1

401a26360366

@hoojjack 我整篇文章就是在解释如何“对这100家店一起建模”呢

机器学习与时间序列预测

前言 在所有的预测问题里面，时间序列预测最让我头疼。 做时间序列预测，传统模型最简便，比如Exponential Smoothing和ARIMA。但这些模型一次只能对一组时间...

401a26360366

56722 53 63 1

401a26360366

@masterqkkee 是的

机器学习与时间序列预测

前言 在所有的预测问题里面，时间序列预测最让我头疼。 做时间序列预测，传统模型最简便，比如Exponential Smoothing和ARIMA。但这些模型一次只能对一组时间...

401a26360366

56722 53 63 1

401a26360366

@各马马它 比如视频网站要预测用户A在2019年1月会不会买会员，那么y就是“用户A在2019年1月买会员”，X则可以从用户A在2018年的行为数据中提取的特征（比如登录频率，观看时长，视频偏好等）

机器学习与时间序列预测

前言 在所有的预测问题里面，时间序列预测最让我头疼。 做时间序列预测，传统模型最简便，比如Exponential Smoothing和ARIMA。但这些模型一次只能对一组时间...

401a26360366

56722 53 63 1

401a26360366

@侠义江湖 时间序列预测有基于线性代数的和基于机器学习的两种方法，前者的话很多统计书籍有提到，后者可以去文章中提到的建模平台找

机器学习与时间序列预测

前言 在所有的预测问题里面，时间序列预测最让我头疼。 做时间序列预测，传统模型最简便，比如Exponential Smoothing和ARIMA。但这些模型一次只能对一组时间...

401a26360366

56722 53 63 1

401a26360366

@ckz2706 是的，就是这个意思

机器学习与时间序列预测

前言 在所有的预测问题里面，时间序列预测最让我头疼。 做时间序列预测，传统模型最简便，比如Exponential Smoothing和ARIMA。但这些模型一次只能对一组时间...

401a26360366

56722 53 63 1

401a26360366

@追梦人_3dea 训练集大小和标签集大小应该是一样的，训练集有100个样本，标签就应该有100个

机器学习与时间序列预测

前言 在所有的预测问题里面，时间序列预测最让我头疼。 做时间序列预测，传统模型最简便，比如Exponential Smoothing和ARIMA。但这些模型一次只能对一组时间...

401a26360366

56722 53 63 1

401a26360366

@Manfestain 天池、Kaggle上有很多大神分享代码，您可以去这些平台上找找

机器学习与时间序列预测

前言 在所有的预测问题里面，时间序列预测最让我头疼。 做时间序列预测，传统模型最简便，比如Exponential Smoothing和ARIMA。但这些模型一次只能对一组时间...

401a26360366

56722 53 63 1

401a26360366

@Panda_9dbf 每构造一组特征/Target，就会得到一组（X，y），在我的例子里对应地就有（X1，y1）、（X2，y2）、（X3，y3），对于这三组数据集，在python里concat起来就可以了

机器学习与时间序列预测

前言 在所有的预测问题里面，时间序列预测最让我头疼。 做时间序列预测，传统模型最简便，比如Exponential Smoothing和ARIMA。但这些模型一次只能对一组时间...

401a26360366

56722 53 63 1

401a26360366

@Slientge 做滑窗的时候会人为地构造“历史数据”和“未来数据”，target来自“未来数据”部分

机器学习与时间序列预测

前言 在所有的预测问题里面，时间序列预测最让我头疼。 做时间序列预测，传统模型最简便，比如Exponential Smoothing和ARIMA。但这些模型一次只能对一组时间...

401a26360366

56722 53 63 1

401a26360366

@民_11ee 样本数目和时间长度是两个不一样的东西，比如最终的训练集里有100个样本，每个样本代表一位用户，我只要能从历史数据里提取到关于这100位用户的特征就可以了，时间长度的长短，只会影响这些特征的质（数据越多越具有统计意义），不会影响量（不管时间跨度是多长，都可以得到100组特征并分配给这100个用户）

机器学习与时间序列预测

前言 在所有的预测问题里面，时间序列预测最让我头疼。 做时间序列预测，传统模型最简便，比如Exponential Smoothing和ARIMA。但这些模型一次只能对一组时间...

401a26360366

56722 53 63 1

401a26360366

@simple_8233 我个人比较喜欢做3到5个滑窗，但我也见过有做10多个滑窗的，这个有点类似k-fold cross validation，没有绝对标准，看具体数据量和测试效果

机器学习与时间序列预测

前言 在所有的预测问题里面，时间序列预测最让我头疼。 做时间序列预测，传统模型最简便，比如Exponential Smoothing和ARIMA。但这些模型一次只能对一组时间...

401a26360366

56722 53 63 1

401a26360366

@陈磊兴 传统时间序列模型有指数平滑、ARIMA、多元线性回归等，非传统模型主要指机器学习模型，如随机森林、XGBoost、神经网络等

机器学习与时间序列预测

前言 在所有的预测问题里面，时间序列预测最让我头疼。 做时间序列预测，传统模型最简便，比如Exponential Smoothing和ARIMA。但这些模型一次只能对一组时间...

401a26360366

56722 53 63 1