详细内容或原文请订阅后点击阅览
时间序列预测变得简单（第2部分）：自定义基线模型
从简单的平均到混合策略，该部分为更好的预测模型建立了基础。帖子时间序列预测变得简单（第2部分）：自定义基线模型首先出现在数据科学上。
来源:走向数据科学您对第1部分的友好回应，令人鼓舞的是看到这么多读者对时间序列预测感兴趣。
在本系列的第1部分中，我们将趋势，季节性和噪音分解为何时使用添加剂与乘法模型，并使用每日温度数据构建了季节性的天真基线预测。我们使用MAPE（平均绝对百分比误差）评估了其性能，为28.23％。
本系列的第1部分虽然季节性幼稚的模型捕获了广泛的季节性模式，但我们还看到它可能不是该数据集的最佳选择，因为它不能说明季节性或长期趋势的细微变化。这突出了需要超越基本基准并自定义预测模型以更好地反映基础数据以提高准确性的必要性。
当我们应用季节性天真基线模型时，我们没有考虑到趋势或使用任何数学公式，我们只是根据上一年的同一天预测每个价值。
首先，让我们看一下下表，该表概述了一些常见的基线模型以及何时使用每个表。
这些是各个行业中最常用的基线模型。
但是，如果数据同时显示趋势和季节性怎么办？在这种情况下，这些简单的基线模型可能还不够。正如我们在第1部分中看到的那样，季节性天真模型努力完全捕获数据中的模式，导致MAPE为28.23％。
趋势和季节性 第1部分 季节性幼稚模型 28.23％因此，我们应该直接跳到Arima或另一个复杂的预测模型吗？
Arima不一定。
在达到高级工具之前，我们可以根据数据结构首先构建基线模型。这有助于我们建立更强的基准 - 通常，可以决定是否需要更复杂的模型。
季节性分解 基线预测 o 注释