8、时间序列预测：从单变量到多变量的全面指南

时间序列预测：从单变量到多变量的全面指南

时间序列预测在众多领域都有着广泛的应用，如气象、金融、工业生产等。本文将深入探讨单变量和多变量时间序列预测的相关方法和技术，包括处理季节性、非恒定方差等问题，以及如何使用 PyTorch Lightning 进行多变量时间序列预测。

单变量时间序列预测

在单变量时间序列预测中，我们主要关注如何处理季节性和非恒定方差等问题，以提高预测的准确性。

处理季节性

• 重复基函数 ：除了傅里叶级数或季节性虚拟变量，重复基函数也是一种处理季节性的方法。它使用径向基函数来建模季节性，可在 sklego Python 包中实现。
• 傅里叶级数 ：可以通过传递多个周期来捕捉多个周期的季节性。例如，以下代码可以捕捉每周和每年的季节性：

fourier = FourierFeatures(sp_list=[7, 365.25],
                        fourier_terms_list=[2, 2],
                        keep_original_columns=False)

• 季节性虚拟变量 ：对于一些重要的周期性现象，如节假日，可以使用二元虚拟变量来建模。

季节性差分

季节性差分是一种去除时间序列中周期性变化的有效方法。具体步骤如下