如何使用机器学习解决时间序列问题？

Question

你好，我有一个时间序列数据，基本上表现为锯齿状。在每个维护周期之后，信号总是在下降之前上升，直到发生维护，这将导致信号再次增加。我正在尝试预测信号，看看如果我计划将来的维护，信号会发生什么情况。

我是时间序列的新手，我不确定应该使用哪种模型来预测数据。我研究了交叉相关，但它似乎没有考虑到任何会影响信号的事件，比如我的问题。

我只是在每个维护事件之后发生了什么，信号在每个维护周期之后一直遵循着类似的趋势，在每个维护周期之后，信号会上升和下降。有什么建议吗？

Answer 1

您正在为时间序列数据寻找ML模型。这是一个很大的领域，但我将尝试写几个重要的注释：

1. 尝试生成一个数据帧，其中每行都是一个时间戳，每列都是一个特征。
2. 现在，您可以使用几个不同的时间窗口生成滚动要素-例如，要素的滚动平均值/标准。
3. 将您的数据拆分为训练和测试-这是时间序列数据中非常棘手的部分。你应该对此非常小心。你必须按时间拆分数据(而不是随机的)，以便模拟从过去学习并预测未来的真实世界。您必须验证您没有泄漏-例如，如果您使用“上周滚动平均值”作为特征，则必须验证您没有使用来自训练集的数据计算用于验证的信号。
4. 使用经典ML方法训练基线模型-例如，提升树等。
5. 在接下来的步骤中，您可以改进基线，然后继续使用更高级的模型(LSTM等)