大家好，新年快乐！我有一个数据集，其中包含过去3年中1000家公司店铺的每日销售额观察（当然，仅从销售数字来看，我就有一些功能，例如：促销，商店类型，分类类型等。）
目标是建立一个预测未来销售的模型。您将如何根据1000个时间序列建立模型并将其推广，以便可以预测具有特定功能的1家商店的销售额？
数据集类似于：https://www.kaggle.com/c/rossmann-store-sales/notebooks。基于kaggle提供的该数据集的解决方案（使用python），我注意到几乎每个人都在使用XGBoost，但是我对所提供的这些解决方案有一些疑问，对于这些问题的澄清我非常感谢。特别是：
人们如何才能将对1000多家商店进行3.5年日常观察的数据每天加载到模型中，而无需对商店ID的第一个进行热编码？该模型是否会在某个时候失败，因为它会得知1040号商店比35号商店要好-仅仅是因为商店ID？
如果我们使用传统的一键编码，这将创建1000个难以管理的新列-但是，有没有一种方法可以通过一键编码解决此问题？
人们为什么通过将天，周，月添加为单独的变量来提取“日期”功能？这不是对模型的误导吗？人们为什么不分配“日期”作为索引呢？
大家好，新年快乐！我有一个数据集，其中包含过去3年中1000家公司商店的每日销售观察数据（当然，仅从销售数字来看，我有以下特点：...
这似乎是一个可以应用分层预测的问题空间，我正在商店，渠道，区域级别进行此工作。在Colin Rooney的HTS先知实施中取得了一些成功。 https://github.com/CollinRooney12/htsprophet/blob/master/htsprophet/runHTS.py
如果您是R用户，请使用Hyndman的hts软件包：https://robjhyndman.com/hyndsight/hts4/