如何向客户解释全球时间序列模型？

Question

对于我的一个客户，我需要用简单的话来解释全局模型的概念。到目前为止，寻找这个概念的简单介绍失败了。我所能找到的只是科学研究，主要是关于他们相对于当地模式的优势。

我需要解释的是与本地模型相比，它是如何工作的基本功能。我知道它基本上是相同的函数，只是我要把它拟合成一组时间序列，而不是一个单一的时间序列。因此，如果我有一组100个时间序列，并希望预测接下来的24个月，我需要对局部模型(每列)进行100次迭代，对全局模型只需要24次迭代(每个预测月)。

就数据对象和循环函数而言，这种全局预测究竟是如何发生的？我想解释一下，为什么它比本地模型要快得多，为什么推荐对类似时间序列组的聚类进行预测，以达到更高的精度。

请分享一些见解或一些好的网上参考资料。

Answer 1

如果您想要为您的客户取得优异的结果，您需要本地和全球模式。

客户应主要了解预测的可靠性、置信区间及其背后的风险。

有一些算法可以估计预测的可靠性。他们可以方便地选择哪种模式在特定的情况下是最好的。

由于季节性或重复行为，局部模型具有较好的可靠性。一些全局模型由于与其他变量(有时是延迟)的相关性或反相关性而具有更好的可靠性。

预测可靠性算法给出了每个模型的评分，客户将使用得分较高的模型。

因此，要最大限度地发挥效益，您需要有本地和全球模型的第一。将两者结合在一起的复杂模型可能不那么有效，应在第二阶段加以考虑。

然后，用具体的例子说明了全局模型的兴趣。许多真实世界的时代系列都与天气或任何其他环境影响有关.

应用相关热图向客户显示相关特征和反相关特征，选择最相关的特征，一直是人们感兴趣的问题。如果将相关分析应用于许多特性，您可能会检测到人类无法检测到的惊人相关性。那些没有或几乎没有相关性的可以被抛弃。

一些工具，如维数约简(t，UMAP等)说明白盒可以让客户相信一种全局的方法，并且可以解释变量之间的相关性。

总之，最优方法将使用几个全局和局部模型，使用可靠性和可解释性工具来提高理解、做出更好的决策和改进模型。