时间序列预测
如何提前一天预测需求,并检验预测是否可靠:基线方法、不接触未来数据的回测、统计模型、面向所有客户的单一 LightGBM 模型、能够加总吻合的总量,以及经过校准的预测区间。示例数据为三十个客户的逐小时电力需求。
适合谁 本书写给数据科学家和分析师:他们熟悉 pandas 和基础回归,被要求预测需求(例如销量、能源、工单或流量),并且需要在接受检验时依然站得住脚的预测。
目录
10章,阅读约需 11小时 27分钟,包含 41个示例。
-
1预测明天的需求
本章构建对明天需求的第一个预测,以及此后每个预测都必须超越的简单基线。
-
2设定模型必须超越的基线
本章为某客户的次日预测计算三种基线,即朴素预测、季节性朴素预测和周平均预测,并用 MASE 衡量该客户的误差,所用的尺度只读取预测周之前的读数。
-
3无前视回测
本章教你在一年的预测截止时间点上,为日前预测打分,同时不让未来的数据进入它的历史;教你处理数据中两个时钟调整所涉及的小时;还教你运行一项平移测试,用来找出读取了截止时间之后数据的特征。
-
4为每位客户拟合统计模型
本章在同一回测上为每位客户拟合 AutoETS 和固定的季节性 ARIMA,将两者与季节性朴素法对比评分,并学习如何让起步较晚的客户从其第一个读数开始建模。
-
5添加日历特征与滞后特征
学完本章后,你可以把一位客户的逐小时历史数据整理成特征表,加入提前一天预测允许使用的滞后特征、日历特征和节假日特征,在相同的窗口上衡量每个特征带来的增益,并识别出读取了待预测日当天数据的滞后特征。
-
6用一个模型预测多个客户
读完本章,你将得到一个覆盖全部三十个客户的全局模型,一条防止后期启用客户的前导零进入模型的起始规则,以及一个在相同截止点上逐客户将该模型与季节性朴素方法并列比较的评分。
-
7让总量相加一致
你将用两种方法预测三十个客户的总需求,在决策窗口上比较这两种方法并做出选择,然后仅使用每个截止时间之前的历史数据,把总量拆分为各客户的份额。
-
8量化预测的不确定性
本章为每一个次日预测给出一个取值范围,使你能够判断某次采购是否可以依赖该预测。
-
9比较 Prophet 与基础模型
读完本章后,你将能够在本书的三个标准截止点上拟合 Prophet,加载一个已记录的基础模型(Chronos-2)和一个已记录的神经网络模型(NHITS),并在同一个 MASE 尺度上,对照相同的读数为它们全部打分。
-
10Keep the forecast running
Once a forecast runs every day, the question changes from whether it scored well to whether it still holds on the day it's used.