时间序列预测问题分类

当你面对一个新的时间序列预测问题时，有很多事情需要考虑。

你做出的选择直接影响项目中的每一步，从设计用于评估预测模型的测试框架，到你正在处理的预测问题的基本难度。

通过一系列关于时间序列预测问题的问题，可以非常快速地缩小选择范围。通过考虑每个主题中的几个主题和问题，你可以缩小问题的类型、测试框架，甚至是项目的算法选择。

在这篇文章中，你将发现一个框架，你可以用它来快速理解和构建你的时间序列预测问题。

通过我的新书《深度学习时间序列预测》启动你的项目，其中包括分步教程和所有示例的Python源代码文件。

让我们开始吧。

时间序列预测问题分类
图片来自Adam Meek，保留部分权利。

框架概述

时间序列预测涉及对观测之间存在有序关系的数据开发和使用预测模型。

你可以在这篇文章中了解更多关于时间序列预测的内容

• 什么是时间序列预测？

在你开始项目之前，你可以回答几个问题，大大提高你对预测问题结构、所需模型结构以及如何评估它的理解。

本文中介绍的框架分为七个部分；它们是

1. 输入与输出
2. 内生变量与外生变量
3. 非结构化与结构化
4. 回归与分类
5. 单变量与多变量
6. 单步与多步
7. 静态与动态
8. 连续与非连续

我建议在开始任何时间序列预测项目之前先了解这个框架。

你第一次回答时可能不够明确，这些问题可能需要你研究数据、领域，并与专家和利益相关者交谈。

随着你了解更多，更新你的答案，这将有助于你保持专注，避免分心，并为你项目开发所需的实际模型。

1. 输入与输出

通常，预测问题涉及使用过去的观测值来预测或预报一个或多个可能的未来观测值。

目标是猜测未来可能发生的事情。

当你需要进行预测时，关键是考虑你将用来进行预测的可用数据，以及你将要猜测的未来内容。

我们可以将其概括为模型在进行单次预测时的输入和输出。

• 输入：为了进行单次预测而提供给模型的历史数据。
• 输出：超出输入数据范围的未来时间步的预测或预报。

输入数据不是用于训练模型的数据。我们还没有到那一步。它是用于进行一次预测的数据，例如，过去七天的销售数据用于预测未来一天的销售数据。

定义模型的输入和输出会迫使你思考进行预测究竟需要什么或可能需要什么。

在输入数据方面，你可能无法具体说明。例如，你可能不知道进行预测需要一个还是多个先前的时间步。但是你将能够识别可用于进行预测的变量。

预测的输入和输出是什么？

2. 内生变量与外生变量

输入数据可以进一步细分，以更好地理解其与输出变量的关系。

如果一个输入变量受到系统中其他变量的影响，并且输出变量依赖于它，那么它就是内生变量。

在时间序列中，输入变量的观测值相互依赖。例如，时间 t 的观测值依赖于时间 t-1 的观测值；t-1 可能依赖于 t-2，依此类推。

如果一个输入变量独立于系统中其他变量，并且输出变量依赖于它，那么它就是外生变量。

简而言之，内生变量受到系统中其他变量（包括它们自身）的影响，而外生变量则不受影响，并被视为系统外部变量。

• 内生变量：受到系统中其他变量影响且输出变量依赖的输入变量。
• 外生变量：不受系统中其他变量影响且输出变量依赖的输入变量。

通常，时间序列预测问题具有内生变量（例如，输出是先前某个时间步数的函数），并且可能具有也可能不具有外生变量。

通常，鉴于对时间序列的高度关注，外生变量会被忽略。明确思考这两种变量类型可能有助于识别容易被忽略的外生数据，甚至是可以改进模型的工程特征。

什么是内生变量和外生变量？

3. 回归与分类

回归预测建模问题是指预测一个数量的问题。

数量是一个数值；例如，价格、计数、数量等。如果一个时间序列预测问题中你想要预测一个或多个未来数值，那么它就是一个回归类型的预测建模问题。

分类预测建模问题是指预测一个类别的问题。

类别是来自一组定义明确的小标签集中的一个标签；例如，{“热”、“冷”}、{“上涨”、“下跌”}和{“买入”、“卖出”}都是类别。

如果一个时间序列预测问题中你想要对输入时间序列数据进行分类，那么它就是一个分类类型的预测建模问题。

• 回归：预测一个数值量。
• 分类：归类为两个或更多标签之一。

你正在处理的是回归问题还是分类预测建模问题？

这些类型之间存在一定的灵活性。

例如，回归问题可以重新定义为分类问题，分类问题也可以重新定义为回归问题。有些问题，比如预测序数值，可以同时定义为分类和回归问题。重新定义你的时间序列预测问题可能会简化它。

有哪些替代方法可以构建你的时间序列预测问题？

4. 非结构化与结构化

绘制时间序列中的每个变量并检查图表以寻找可能的模式是有用的。

单个变量的时间序列可能没有任何明显的模式。

我们可以将没有模式的序列视为非结构化的，即没有可辨别的时间依赖结构。

反之，时间序列可能具有明显的模式，例如趋势或季节性周期，这被视为结构化的。

我们通常可以通过识别和去除数据中明显的结构（例如，增长趋势或重复周期）来简化建模过程。一些经典方法甚至允许你直接指定参数来处理这些系统性结构。

• 非结构化：时间序列变量中没有明显的系统性时间依赖模式。
• 结构化：时间序列变量中存在系统性时间依赖模式（例如，趋势和/或季节性）。

时间序列变量是非结构化还是结构化的？

5. 单变量与多变量

随着时间测量的一个变量被称为单变量时间序列。单变量意味着一个变量或一个特性。

随着时间测量多个变量被称为多变量时间序列：多个变量或多个特性。

• 单变量：随着时间测量一个变量。
• 多变量：随着时间测量多个变量。

你正在处理单变量还是多变量时间序列问题？

考虑到输入和输出的这个问题可能会增加进一步的区别。输入和输出之间的变量数量可能不同，例如，数据可能不对称。

例如，你可能有多个变量作为模型的输入，但只对预测其中一个变量作为输出感兴趣。在这种情况下，模型中存在一个假设，即多个输入变量有助于并且是预测单个输出变量所必需的。

• 单变量和多变量输入：随着时间测量的一个或多个输入变量。
• 单变量和多变量输出：需要预测的一个或多个输出变量。

6. 单步与多步

需要预测下一个时间步的预测问题称为一步预测模型。

而需要预测多个时间步的预测问题称为多步预测模型。

预测的未来时间步越多，问题就越具有挑战性，因为每个预测时间步的不确定性都会累积。

• 一步：预测下一个时间步。
• 多步：预测多个未来时间步。

你需要单步预测还是多步预测？

7. 静态与动态

可以一次开发一个模型，并重复使用它进行预测。

鉴于模型在预测之间不进行更新或更改，我们可以认为这个模型是静态的。

相反，我们可能会在进行后续预测之前收到新的观测值，这些观测值可用于创建新模型或更新现有模型。我们可以将每次预测之前开发新模型或更新现有模型视为一个动态问题。

例如，如果问题要求在周初对未来一周进行预测，我们可能会在周末收到真实的观测值，我们可以使用这些观测值在进行下周预测之前更新模型。这将是一个动态模型。如果我们没有在周末得到真实的观测值，或者我们得到了但选择不重新拟合模型，这将是一个静态模型。

我们可能更喜欢动态模型，但领域限制或所选算法的局限性可能会施加使这难以实现。

• 静态。预测模型一旦拟合，就用于进行预测。
• 动态。预测模型在每次预测前都会根据新可用的数据进行拟合。

你需要静态模型还是动态更新模型？

8. 连续与非连续

观测值随时间均匀分布的时间序列可描述为连续的。

许多时间序列问题都具有连续观测值，例如每小时、每天、每月或每年一次观测。

观测值随时间不均匀分布的时间序列可描述为非连续的。

观测值的不均匀性可能由缺失或损坏的值引起。这也可能是问题的一个特征，即观测值仅零星提供，或者以递增或递减的时间间隔提供。

在观测值不均匀的情况下，在拟合某些模型时可能需要特定的数据格式化，以使观测值随时间均匀。

• 连续。观测值随时间均匀分布。
• 非连续。观测值随时间不均匀分布。

你的观测值是连续的还是非连续的？

进一步阅读

本节列出了一些供进一步阅读的资源。

• 什么是时间序列预测？
• 如何完成一个时间序列预测项目

总结

回顾一下，你可以问的问题和主题如下：

1. 输入与输出
   1. 预测的输入和输出是什么？
2. 内生变量与外生变量
   1. 什么是内生变量和外生变量？
3. 非结构化与结构化
   1. 时间序列变量是非结构化还是结构化的？
4. 回归与分类
   1. 你正在处理的是回归问题还是分类预测建模问题？
   2. 有哪些替代方法可以构建你的时间序列预测问题？
5. 单变量与多变量
   1. 你正在处理单变量还是多变量时间序列问题？
6. 单步与多步
   1. 你需要单步预测还是多步预测？
7. 静态与动态
   1. 你需要静态模型还是动态更新模型？
8. 连续与非连续
   1. 你的观测值是连续的还是非连续的？

你觉得这个框架对你的时间序列预测问题有用吗？
在下面的评论中告诉我。

你有什么问题吗？
在下面的评论中提出你的问题，我会尽力回答。

立即开发时间序列深度学习模型！

在几分钟内开发您自己的预测模型

...只需几行python代码

在我的新电子书中探索如何实现
用于时间序列预测的深度学习

它提供关于以下主题的自学教程：
CNN、LSTM、多元预测、多步预测等等...

最终将深度学习应用于您的时间序列预测项目

跳过学术理论。只看结果。

查看内容