当观测数量有限时进行时间序列预测

Question

我在 Keras 中训练了一个神经网络来预测每周的需求，并进行了所有的超参数调整，我能得到的最好的结果是下图。 我的理解是预测不好有两个原因：

1. 我没有足够的观察（每周要求）

2. 信号本身看起来非常随机，很难预测这样的信号。

您有处理类似时间序列数据的经验吗？您有什么建议吗？

Answer 1

使用LSTM就可以了。拥有更多的数据可能并不能保证好的结果，但是拥有更少的数据肯定会给出随机结果。

我建议如下：

1. 增加数据，训练中只保留优质数据。删除或清理任何丢失的数据或异常数据。训练前进行预处理或平滑
2. 可视化训练数据，查看每个特征的模式，比较与其他字段的相关性，优先考虑字段，忽略中性相关的字段。最后进行特征选择。
3. 根据现有特征执行特征工程，只有当您从之前的可视化中识别出数据中的模式时才能执行此操作。

探索资源： https://www.analyticsvidhya.com/blog/2021/12/12-data-plot-types-for-visualization/ https://dotdata.com/blog/practical-guide-for-feature-engineering-of-time-series-data/

Answer 2

大家好，当我想分析我的变量时，我在时间序列上遇到了问题 我收到消息说您的观察变量不够，所以我希望同样能帮助我解决这个问题