预测模型识别未来趋势

Question

我建立了一个预测模型来预测呼叫数据。预测模型采用随机森林回归模型。

资料:自2013年以来，我每天都有15分钟的通话记录。

以下是几个月累积价值的图表：

可以清楚地看到，2017年的呼叫数据比2016年几乎翻了一番。这一趋势在今后几年也应可观察到。

特征：

首先，我的数据格式：

 DATE                     CALL
 ....
 2017-10-23 10:15:00.000    259
 2017-10-23 10:30:00.000    292
 2017-10-23 10:45:00.000    309
 ....

从中我提取了以下特征:我提取了以下特征来预测我的目标变量Y(调用数据)：

-Weekday
-Month
-Holiday (yes / no)
-Interval of the day

So I ask my model:

What is the call volume of a day and interval with the following features?

我用了2015-2016-2017年的时间来训练这个模型。然而，该模型并没有给出预期的预后。

他甚至把2017年的日子预测错了。虽然我把数据作为训练数据给了他。

问题：

- Should I work on my features?

- How do I show my forecasting model that the data will double year by year 
  as observable since 2016?

Answer 1

在开始建模之前，我想你可以做更多的探索性分析(一个月一个月，一年一个一年)。如果你发现任何趋势或季节性等等。

为什么你不使用ARIMA，ARMA，指数平滑和AR等技术直接使用RF。

有时候RF可能不会给你像基本模型那样好的结果，我认为你没有趋势，这是从你的图表(但不确定)。如果你能尝试做一些研究，看看是否有一些外部因素影响你的需求。为什么会发生这种情况，其根本原因是什么。

对于您的模型来说，它需要一些特性来解释它的尖峰，它可以通过做特性工程/研究来实现。