如何構建一般時間序列問題的回歸解決方案

經常有人問我說：浪叫獸時序問題我不知道如何建立解決方案，我這裡介紹一下簡單的思路

簡單的打個比方，我有兩周數據（圖一），我讓你預測第三周的，這個是就屬於時序問題了。

我來說一下特徵，我取abcde第一周的均值作為特徵,abcde就都有一個特徵了。

接著說訓練集：以A的第一個特徵和label為例，我用A第一周的均值作為特徵mean(D2:I2)，第二周第一天的真值作為label (K2)

就會有 A mean(7) label(1) ,這樣就有了一個樣本

接著說預測集：A 對應第二周就有對應的均值，mean(K2:Q2) label(未知)，這樣就有了一個預測樣本了

在一個樣本A樣本上增加一個時間標記（周幾），對於label為第二周第一天的label,我在天數一欄填寫數值1，對於我要預測的第二天 ，我這天數一欄添加2。而特徵保持不變都用上一周的均值。

如上圖二，就簡單的構建了樣本A的兩天樣本，所以對於A預測7天的時序問題，我們就可以構建一個以上述思路的擴展的回歸問題。A就有如圖三所示的訓練集，和預測集。

對於ABCDE，我們也以同樣的方法構建就有了我們時序問題的訓練集。在這裡天數特徵是必不可少的特徵。以上就是簡單的沒有任何作息干擾，沒有節假日影響的時序問題。

對於特徵你們還要試試 mean max min last first std skew 這種哪個特徵好，然後你的特徵數就由 1個mean(7)，變成了N個你能想到的統計量。

PS:特徵就是為了能讓演算法區分樣本的唯一性，足夠表達樣本的唯一性（有合理的數據解釋結果（區分樣本），才能快速計算出結果）。

滑窗的介紹：按照我們的上面的方法我們就可以得到以下的數據集（一套訓練集，一套預測集）

現在的情況是我們過了一周後，我有了第三周的數據，現在我需要預測第四周。

這樣訓練集 和 預測集 就放在了一起， 預測集 變為 train 2 （圖四）

現在我把新的預測集填上，我們就有了2套訓練集，一套新的預測集。

在這個基礎之上我們在添加一列月份（圖六）：

上述就是簡單的滑窗概念，我一月份有一份訓練集，二月份一樣有一份訓練集。預測的是 3月份的 ，如果數據我提供的 就只有 1 2 月，所以只能滑兩次 ，如果我是讓你預測的 12月份的 ，理論上 你可以有 11 個訓練子集，不過 11個訓練子集 可能不如 2個 或者 6 個 。

區分時間的特徵這時序裡面都是很有效果的，比方說周幾，每月的第幾周，每月的第幾天，每周的第幾天，休息日，節假日，季度，四季。這些都是我們作息上對於時間區分的強特徵。

時序問題的回歸建模，這裡我介紹的是我最常用的建模方案，希望能幫助大家打開時序問題的建模大門。