多时间序列预测

Question

假设你有一组用户，数以万计。你有时间序列的每个他们的行为使用这个应用程序。如何使用这些时间序列来预测新用户的未来行为？

直观的解决方案是以用户的工程师行为为特征，并使用它来训练模型，比如应用程序中的平均每周分钟数等等。我对这种方法的看法是，你失去了大量的信息。

我想知道的是，是否有更好的技术来聚合大量的时间序列数据来建立一个预测模型。也许LSTM会起作用，但它似乎不能捕捉数据集的细微差别，而且我不认为它们通常用于聚合各种单个样本的预测。

Answer 1

我建议调查一下FBProphet。

这是自动生成预测的一个好的起点。它非常容易使用，而且通常比经典的预测方法(ARIMA、Holt等)产生更好的结果。从盒子里出来。

默认设置提供一个加性或乘性模型，由趋势和季节性组成。这可以是每日、每周和每年的季节性模式的组合，如果需要，可以选择添加自定义模式。假日效果也可以使用内置的假日日历进行跟踪，这也可以被定制。

这通常用于没有外部回归器的数据，只用于日期时间和度量。但是，可以配置外部回归器，以影响预测的结果。

Answer 2

我知道这个答案迟了，但是

尝试在CNN的基础上使用BLSTM --它在您的用例中运行得很好。