本文通过线性回归和随机森林机器学习算法，对时间序列数据进行预测。数据集为1小时粒度，特征包括平移和平时间特征。预测结果显示，随机森林模型可能有较好表现。特征重要性分析鼓励读者深入探讨。参考多个资源，适合结合业务学习。
1.简述
- 时间序列数据是一种典型的数据，时间序列预测方法比较多。比如ARIMA模型、Prophet模型、指数平均法、滑动平均法等等。
- 本文采用机器学习算法，如线性回归、随机森林等，完成时间序列预测，预测效果也比较好。
2.数据集
本文对应的数据集格式如下：
| time | value |
|---|---|
| 2018-09-01 00:00 | 3221 |
| 2018-09-01 01:00 | 5515 |
| 2018-09-01 02:00 | 9971 |
| … | … |
| 2018-09-05 01:00 | 4416 |
| … | … |
如1小时粒度数据。根据历史数据，对未来一段时间数据进行预测。
3.特征介绍（精髓）
由于是单变量数据，特征主要包括两部分：平移特征和时间特征。
平移特征是指，将value向前已经平移操作shift。
时间特征指&#x
订阅专栏 解锁全文
扫一扫
1063
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
