使用不同预测变量进行预测的底层模型

Question

我有一个月的时间序列能源消耗数据。数据的频率为每小时半小时。数据集的特点如下

• 温度-温度值在特定时间瞬间
• 湿度-特定时刻的湿度值
• 一天的时间--这相当于一天的48小时半小时的持续时间。
• 工作日-一周中的一天(值在1-7之间)
• prevday1 -同一时间的能源消耗-前一天的即时能源消耗
• prevday2
• prev_instant1 -上一时间的能源消耗瞬间。例如，对于晚上7点，previous_instant1是6:30。
• prev_2_hour -过去两小时的平均能耗

使用这些变量，我需要预测电力(能源)消耗。这些变量的pairs图是

我从一个线性模型开始，但这个模型的表现似乎非常糟糕。我想知道是否有任何自动技术，可以检查所有可能组合的预测变量，并输出最佳拟合模型。我可以检查所有的模型(线性组合，非线性，样条等)手动，但它将需要大量的时间。

更新

我是实时预测的半小时率(非常短期预测)。另外，我使用不同的模型对应于一天中不同的半小时。例如，在一天中，我们有48个半小时，所以对应于每半个小时，我有一个单独的模型。在整个过程中，我使用以下方法：

1. 创建具有上述功能的培训数据集。该培训数据集为期一个月(30天)
2. 在下一个步骤中，我使用48个半小时持续时间中的每个特定模型来预测第二天(测试日)。
3. 最后，我用最近更新的数据(最近的30天)对我所有的48个模型进行了再培训。

步骤2和步骤3继续到停止状态。使用的停车条件是否。测试日。我的培训数据的截图如下：

head(training_data)

tail(training_data)

Answer 1

以前也有过同样的问题。已使用的Weka工具(http://www.cs.waikato.ac.nz/ml/weka/)。

这一办法：

将一天中的时间转换为标称(非数字)(如编号为0-47的垃圾桶)

·将一周中的一天转换为名义(非数字)

·使用M5Tree构建模型

树中的规则会弹出"if 0< bin < 5:30am_bin“之类的内容.它区分了一天的开始

有超过一个月的数据会更好。例如，在一周中的某些日子里，只有4个样本。所以再多几个月会更好。在这种情况下，再一次将月份转换为一个名义值(非数值)，这样规则就可以获得季节性和月度变化。