利用延迟或月分类特征识别DeepAR和TFT的季节性

Question

我试着用DeepAR和时间融合变压器预测每月的销售额。我使用的数据每月都有季节性，不同国家的季节性是相同的，或者至少是非常相似的。

在用pytorch生成TimeSeriesDataSet时，我可以为目标变量设置参数滞后。文件上说：

延迟可以用来表示模型的季节性。

我不确定这是一个更好的选择，比使用月份或可能的月份和国家的组合，作为一个明确的功能，以简化对季节性的认识。

有没有人在这个话题上有自己的经验，或者解释一下，什么是最好的选择？

提前感谢！

Answer 1

DeepAR算法自动生成时间序列特征。在这里读更多

https://docs.aws.amazon.com/sagemaker/latest/dg/deepar_how-it-works.html

• 您还可以为每个Timeseries添加自己的自定义特性(包括分类特性和连续特性)。(例如，公共假日等)
• 当你有多个时间序列时，每个时间序列有超过300个数据点。
• 所有的时间序列都应该有相同的频率。

DeepAR和TFT的基准都掌握在你的手中，我想TFT的表现会更好。