如何在不同的预测模型族之间进行选择，以自动预测150个时间序列？
我有多个部门（零售领域）的每周时间序列数据，基于一些研究，我正在自动化为每个时间序列寻找模型参数的过程。到目前为止，我已经为for循环中的每个时间序列实现了以下模型：
1） ARIMA（R中的auto.ARIMA）
2） stlf（无法使用R的ets功能，因为我有每周数据）
3） TBAT
4） 基于ARIMA误差的回归（使用傅里叶项）
5）基线模型：幼稚
我想了解如何为每个时间序列选择模型。我对此有多种方法：
1） 选择测试数据RMSE最低的模型（风险：测试数据拟合过度）
2） 选择RMSE最低的时间序列交叉验证最佳模型（tsCV）
3） 为所有时间序列选择一个模型族，根据该族在所有时间序列中给出最低的平均RMSE分数。
有什么方法可以改进我的方法吗？以上任何一种方法都有缺点吗？还有更好的方法吗？
非常感谢！
共有1个答案
使用上面提到的所有预测方法预测数据，然后计算MAPE并检查哪个模型给出最佳结果，然后使用该模型预测数据。还可以尝试使用不同的数据转换进行检查，如日志、反转等。。用于输入数据。
-
我实际上是在用R建立一个电动汽车时间偏离的预测模型，作为数据，我有两年前的时间偏离历史，我希望建立一个以日期（日）为输入的预测模型，模型的输出将是时间偏离。一个步骤可以考虑在两个开始之间间隔一个小时（例如:-->) > 我试图将问题看作是以（1表示“有一个离开”，0表示“无”）聚类一个，并应用随机森林模型（日和小时作为输入，1或0作为输出），但该模型找不到输出和输入之间的联系，而不考虑日或小时，该
-
我有一个包含一系列事件及其时间戳的数据库。 我在这里读到这是可以在SQLite中实现的，我想知道是否也可以在presto中实现。我查看了文档，但找不到一个类似的函数来执行SQLite中的操作。
-
我正在阅读Keras中关于使用LSTM进行多元时间序列预测的教程https://machinelearningmastery.com/multivariate-time-series-forecasting-lstms-keras/#comment-442845 我已经看完了整个教程，遇到了一个如下的问题- 在本教程中，在步骤“t-1”中，列车和测试拆分有8个功能，即“污染”、“露水”、“温度”、
-
在SJF算法中，我们使用公式来预测下一个CPU突发时间： 然后我们选择预测突发时间最短的进程。现在我的问题是：我们已经知道进程到达的CPU突发时间了吗？如果是，那么为什么要预测CPU突发时间呢？我们可以只使用最短时间的进程来调度。如果不是，即，我们对进程的突发时间没有任何想法，预测的突发时间（n 1）如何帮助我们选择进程？希望我能解释我的困惑。谢谢。
-
我试图使用Keras对多个变量进行同时预测。在这里使用这个例子，我想预测所有特征的值，包括pm 2.5，DEWP，TEMP等，而不仅仅是污染（pm 2.5）。本质上，这是，给定所有变量，建立一个模型来预测所有变量作为时间序列，而不仅仅是预测一个变量。 我使用重塑后的3D数据修改了原始示例代码，但出现了一个错误。代码如下： 输出为： 数据集在这里可用。 我的问题是： Keras LSTM层不是为此设
-
主要内容：1. 静态技术,进程类型,动态技术SJF算法是最好的调度算法之一，因为它提供了最大的吞吐量和最少的等待时间，但是该算法的问题是，CPU的突发时间无法预先知道。 我们可以估算某个进程的CPU爆发时间。 有多种技术可用于假定进程的CPU突发时间。假设需要准确以便最佳地利用算法。 有以下技术用于假定某个进程的CPU爆发时间。 1. 静态技术 进程大小 可以根据其大小预测进程的爆发时间。 如果有两个进程和，并且旧进程的实际突发时间为20秒