Rolling Forecasting和Recursive Forecasting区别

1. Rolling Forecasting

基本原理：

• 逐步滑动窗口预测：
  • 模型基于固定长度的历史窗口（如最近 ttt 个时间步的数据）来预测下一个时间步（t+1t+1t+1）。
  • 每次预测后，窗口向前滑动一个时间步，丢弃最早的点，加入最新的预测结果作为历史窗口的一部分。

流程：

1. 确定一个固定长度的历史窗口（例如过去 kkk 个时间步）。
2. 用这 kkk 个时间步的数据训练模型并预测下一个时间步的数据。
3. 滑动窗口：将窗口向前移动，使用新的窗口预测下一个时间步。
4. 重复此过程，直到完成预测序列。

特点：

• 训练和预测分开：通常模型在固定的历史数据上训练一次，之后重复使用。
• 独立预测：每次预测时，输入窗口仅由已知的真实历史数据组成，不依赖之前的预测值。

优点：

1. 鲁棒性高：每次预测使用真实数据作为输入，避免了预测误差的累积。
2. 适合短期预测：特别是在数据质量较高的情况下，能够获得较精确的预测。

缺点：

1. 需要较多历史数据：需要始终保持足够长的历史数据窗口。
2. 滑动窗口计算开销：每次预测前需要重新准备窗口数据。

---

2. Recursive Forecasting

基本原理：

• 递归式自回归预测：
  • 模型基于当前时间步的数据预测下一个时间步的数据。
  • 将预测值作为下一次预测的输入，再次预测未来的值。这个过程重复进行，逐步预测多步。

流程：

1. 使用模型预测第一个时间步的值（例如 t+1t+1t+1）。
2. 将预测的值作为输入，与历史数据结合，预测下一个时间步的值（t+2t+2t+2）。
3. 继续递归，逐步预测后续时间步，直到达到预定的预测步长。

特点：

• 自回归预测：每次预测的输入包含模型先前的预测值。
• 单步预测模型扩展到多步预测：模型本质上只需要预测一个时间步。

优点：

1. 适合长时间序列预测：无需频繁准备新的训练数据。
2. 训练简单：只需要单步预测模型，不需要设计多步预测模型。
3. 资源节省：相比滚动窗口，计算开销较低。

缺点：

1. 误差累积：每次预测依赖前面的预测值，误差会随着时间步增长逐渐积累。
2. 对模型稳定性要求高：需要模型在多个预测步上保持准确性和鲁棒性。

---

两者对比

特性	Rolling Forecasting	Recursive Forecasting
输入数据	使用真实历史数据	使用真实数据和模型预测值
误差传播	几乎没有误差累积	误差随着预测步长增加而累积
训练复杂度	通常需要针对多步预测进行训练	单步预测模型即可
计算开销	较高，需频繁滑动窗口处理	较低，预测过程简单