时间序列分析与线性回归

Question

我正在开发一种算法，该算法将预测这家餐厅未来的流量。我混淆了这两种方法中的哪一种:线性回归或时间序列分析，作为我的算法的基础。我使用的特点是:天，是否有节日，温度，气候条件，目前的评级，是否有假日，服务等级，评论次数等。

请指导我该怎么做。此外，我如何优化我的算法，以便它可以学习的时间。

Answer 1

您所拥有的数据是面板数据，它是横截面数据和时间序列的组合。

您可以尝试使用回归模型，为您的数据.Like提供时间戳，维护基于工作日(1至7).or的一个功能，如果您的数据中有趋势和季节性，您可以将周数作为特征(0到53)周。

Answer 2

你为什么不两者都试试？测试测试和交叉验证集中方法的准确性。运用学习曲线相关技术得出实验逻辑结论。记住，这是数据“科学”！

Answer 3

我认为线性回归比时间序列分析更可行，因为我认为你有很多分类变量，而时间序列分析在纯数字数据下效果更好。

你的许多分类语言很可能是NA，许多可能具有很高的基数，因此可能不适合于单一的热编码。因此，您必须选择一种算法，它可以很好地处理NA值，并且能够处理许多唯一的分类变量，这些变量变成了指示变量。您还可以通过适当的预处理来处理这一问题。

此外，您也没有告诉use您的数据集是有子日(例如每小时)还是每天的分辨率。我认为每天的分辨率太粗糙(天气可能每天变化几次)，到达的客人可能在早上或晚上到达高峰。因此，当你想要确定周期性时，时间序列分析就会显现出来(在大多数餐馆的工作日里，这很可能是按小时计算的)，但你的变量似乎是在日常水平上，而且不那么容易预测。