通过LSTM或XGBoost进行预测.真的是预告还是

Question

我想我理解通过LSTM或XGBoost模型进行预测的想法，但我想联系社区来证实我的想法。

本教程很好地一步一步地解释了该做什么："如何建立多步LSTM电力使用时间序列预测模型“

然而，在预测方面，作者拿出了部分数据，然后用这些数据来预测未来的值.在我看来，这并不是一种预测(通过ARIMA、VAR等方法完成的事情--你可以指定时间周期的数目，然后不指定任何东西，模型给你一些关于未来的预测)，你可以看到我对作者的评论，基本上，通过LSTM或XGBoost模型的预测将基于输入值而不是未来的数据范围，即我需要提供温度、湿度、风等来预测房屋的耗电量。

话虽如此，LSTM或GXBoost在何种程度上被用于预测？给出这些值，可以预测最终的结果是什么？因此，如果我需要在未来预测一些东西，而不知道其他的输入值，只需坚持传统的VAR模型？

通过查看这个@Fnguyen的问题/回答，“如果您有更多的输入变量，您需要一种方法来预测或推断这些变量，因为要进行预测，您的模型需要构建模型的所有输入。”似乎我应该用ARIMA来预测其他的输入值，然后再用LSTM。我想知道现在的预测是否如此准确，因为它依赖于ARIMA来预测LSTM输入的未来值，然后再依赖LSTM模型来做出最终的预测。再一次，准确的预测是相当复杂的事情，因为我们正在试图预测未来。

Answer 1

然而，在预测方面，作者拿出了部分数据，然后用这些数据来预测未来的值.在我看来，这并不是真正的预测(通过ARIMA、VAR等方法完成的事情--在这种情况下，您可以指定时间周期的数目，然后不指定任何其他内容，并且模型为您提供了一些对未来的预测)。

一般来说，我认为“预测”一词可以适用于目标是预测未来事件/值的任何问题。

您正在描述一个名为“单变量时间序列预测”的预测问题子类。在单变量时间序列预测的典型情况下，只利用目标变量的历史观测建立模型。ARIMA和VAR模型是解决这些问题的常用方法。(尽管这些模型几乎总是有多变量扩展。)

还有“多变量时间序列预测”，其中时间序列包含多个时间因变量，每个变量可能都依赖于其过去值和其他变量的过去/现在值。天气预报就是这种问题的一个很好的例子。

或XGBoost在多大程度上在预测中的应用

正如您正确地指出的那样，像XGBoost这样的模型只在目标的历史观察之外有其他输入的情况下才有用。(LSTM实际上可以与附加输入一起使用，也可以不带额外输入。)

很难说XGBoost或任何其他型号在工业中有多普遍，但是有一个漂亮 巨大的 正文 的 研究 关于外生输入的预测。

我曾经做过一个项目，目标是预测太阳能农场的太阳辐照度。自然，太阳辐照度有很大的季节性变化。但是像云层、雾和温度这样的局部天气条件对辐照度也有很大的影响，所以单因素模型是不够的。

我们训练了XGBoost、随机森林、支持向量机和深度学习模型来预测未来的辐照度。这些模型的输入来自NOAA的一个数值天气模型，我认为这是一个非常普遍的方法。

如果我需要在未来预测一些东西，不知道其他的输入值，只需坚持传统的VAR模型？

是的，如果你没有任何关于其他变量的信息，那么你只能使用单变量时间序列方法。但是，即使你不知道其他投入100%的信心，你也能找到合理的预测，可以利用这些预测来建立一个更复杂的模型:)

Answer 2

答案将取决于域。然而，我的猜测是，如果你被限制在单变量方法，那么神经网络将击败XGBoost。作为一个数据点，我在一个包含数百个变量的多时间序列场景中成功地使用了XGBoost。

我建议你直接和两位模特对决，看看哪一位在你的情况下是赢家。