如何用 20 个自变量和 1 个目标变量进行时间序列预测？

Posted 2023-03-12

【中文标题】如何用 20 个自变量和 1 个目标变量进行时间序列预测？

【英文标题】：How to make time series forecasting with 20 Independent variable and one target variable?

【发布时间】：2022-01-16 14:53:42

【问题描述】：

在我正在研究的一个问题中，我必须进行时间序列预测以预测一个具有 15 个不同自变量 b1、b2、b3..b15.in 的因变量 a，线性回归会起作用吗？我是预测建模的新手..

【问题讨论】：

欢迎来到 ***！请环顾四周并阅读How to Ask。这个问题非常广泛，但很简单：线性回归通常是预测方法的关键组成部分，但如何设置问题取决于您的目标是什么。有一些专门用于 Python 的库可能会对此有所帮助，请参阅 tslearn、sktime 或 tsai。

【参考方案1】：

是的，线性回归会起作用！ 假设您有一个时间序列 [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]。 假设你有三个输入和一个依赖输出，你可以形成你的数据集像

#input = [1, 2, 3] output = [4]
#input = [2, 3, 4] output = [5]
#input = [3, 4, 5] output = [6]
#input = [4, 5, 6] output = [7]
#input = [5, 6, 7] output = [8]
#input = [6, 7, 8] output = [9]
#input = [7, 8, 9] output = [10]

inputs = [[1, 2, 3],
         [2, 3, 4],
         [3, 4, 5],
         [4, 5, 6],
         [5, 6, 7],
         [6, 7, 8],
         [7, 8, 9]]

outputs = [[4], [5], [6], [7], [8], [9], [10]]

现在使用输入及其各自的输出来训练模型

lr = LinearRegression()
lr.fit(inputs, outputs)

【讨论】：

只是说“线性回归会起作用”有点不负责任。线性回归可能会起作用，如果没有相关的观察结果，如果观察结果在时间上均匀分布（永远），即使满足这些需求，这也不是一个特别好的方法，自回归算法是一个很远更强的选择。