本文介绍了使用Python的LightGBM模型进行时间序列预测，特别是LazyProphet库，该库包括特征工程如分段线性基函数、傅里叶基函数和目标值滞后。通过调整参数，LazyProphet在某些情况下展现出接近最先进的性能，并在基准测试中击败了其他树方法。尽管在某些数据集上可能表现不如专门方法，但其易于使用和快速预测使其成为时间序列建模的实用工具。
时间序列预测 | Python实现LightGBM模型时间序列预测
基本介绍
创建一个基于LightGBM并且适合个人使用的时间序列的快速建模程序.
程序设计
- 在查看单变量空间中树的其他实现时都会看到一些特征工程，例如分箱、使用目标的滞后值、简单的计数器、季节性虚拟变量，也许还有傅里叶函数。
- 这对于使用传统的指数平滑等方法是非常棒的。但是我们今天目的是必须对时间元素进行特征化并将其表示为表格数据以提供给树型模型，LazyProphet这时候就出现了。
- 除此以外，LazyProphet还包含一个额外的特征工程元素：将点”连接”起来。
- 很简单，将时间序列的第一个点连接起来，并将一条线连接到中途的另一个点，然后将中途的点连接到最后一个点。
- 重复几次，同时更改将哪个点用作“kink”（中间节点），这就是我们所说的“连接”。
- 事实证明，这些只是加权分段线性基函数。
- 这样做的一个缺点是这些线的外推可能会出现偏差。
- 为了解决这个问题，引入一个惩罚从中点到最后点的每条线的斜率的“衰减”因子。
- 在这个基础上加滞后的目标值和傅里叶基函数，在某些问题上就能
订阅专栏 解锁全文
扫一扫
1576
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
