# 如何通過時間序列預測項目 > 原文： [https://machinelearningmastery.com/work-time-series-forecast-project/](https://machinelearningmastery.com/work-time-series-forecast-project/) 時間序列預測過程是一組步驟或秘籍，可引導您定義問題，直至具有時間序列預測模型或預測集的結果。 在這篇文章中，您將發現可用于指導您完成預測項目的時間序列預測流程。 閱讀這篇文章后，你會知道： * Hyndman 和 Athanasopoulos 的 5 步預測任務將指導您從問題定義到使用和評估您的預測模型。 * Shmueli 和 Lichtendahl 的迭代預測開發流程將指導您將目標定義為實施預測。 * 處理您自己的時間序列預測項目的建議和技巧。 讓我們開始吧。  如何通過時間序列預測項目 照片由 [TravelingOtter](https://www.flickr.com/photos/travelingotter/1484904858/) ，保留一些權利。 ## 5 步預測任務 Hyndman 和 Athanasopoulos 在他們的書[預測：原則和實踐](http://www.amazon.com/dp/0987507109?tag=inspiredalgor-20)中總結了預測任務中的 5 個基本步驟。這些步驟是： 1. **問題定義**。仔細考慮誰需要預測以及如何使用預測。這被描述為該過程中最困難的部分，很可能是因為它完全是問題特定和主觀的。 2. **收集信息**。收集歷史數據進行分析和建模。這還包括訪問領域專家和收集有助于最好地解釋歷史信息的信息，以及最終將要進行的預測。 3. **初步探索性分析**。使用簡單的工具（如圖形和摘要統計）來更好地理解數據。回顧圖并總結并注意明顯的時間結構，如趨勢季節性，缺失數據，腐敗和異常值等異常情況，以及可能影響預測的任何其他結構。 4. **選擇和擬合模型**。評估問題中的兩個，三個或一組不同類型的模型。可以基于它們做出的假設以及數據集是否符合來選擇模型用于評估。模型已配置并適合歷史數據。 5. **使用和評估預測模型**。該模型用于進行預測，評估這些預測的表現并估算模型的技能。這可能涉及對歷史數據進行回溯測試或等待新觀察結果可用于比較。 這個 5 個步驟的過程提供了從概念或問題陳述開始到可用于進行預測的模型的強大概述。 該過程的重點是理解問題并擬合一個好的模型。 > 每個模型本身是一個基于一組假設（顯式和隱式）的人工構造，并且通常涉及一個或多個必須使用已知歷史數據“擬合”的參數。 - 第 22 頁，[預測：原則與實踐](http://www.amazon.com/dp/0987507109?tag=inspiredalgor-20) ## 迭代預測開發過程 作者 Shmueli 和 Lichtendahl 在他們的書[實用時間序列預測與 R：動手指南](http://www.amazon.com/dp/0997847913?tag=inspiredalgor-20)中提出了一個 8 步驟的過程。 這個過程超出了模型的開發和預測，并涉及迭代循環。 他們的過程可歸納如下： 1. 定義目標。 2. 獲取數據。 3. 探索和可視化系列。 4. 預處理數據。 5. 分區系列。 6. 應用預測方法。 7. 評估和比較表現。 8. 實施預測/系統。 以下是流程中的迭代循環： * **探索和可視化系列=＆gt;獲取數據**。數據探索可能會導致需要訪問新數據的問題。 * **評估和比較表現=＆gt;應用預測方法/** 。對模型的評估可能會為新方法或新方法配置提出問題或想法。 該過程更側重于對問題的一個或多個模型的持續開發和改進，直到達到可接受的表現水平。 隨著新數據和新見解的提供，在修改和更新模型的過程中，此過程可以繼續。 > 當然，一旦生成預測，該過程就不會結束，因為預測通常是一個持續的目標。因此，監測預測準確性，并且有時調整或改變預測方法以適應目標或數據隨時間的變化 - 第 16 頁， [R 實用時間序列預測：動手指南](http://www.amazon.com/dp/0997847913?tag=inspiredalgor-20) ## 建議和提示 本節列出了在完成時間序列預測項目時需要考慮的 10 條建議和提示。 這些建議的主旨集中在這樣一個前提，即你無法知道哪些方法可行，更不用說哪種方法可以預先解決你的問題。而預測項目的最佳知識來源是真實歷史數據的試錯結果。 * 選擇或設計適合您的項目，工具，團隊和專業水平的時間序列預測流程。 * 寫下你在分析和預測工作中所有的假設和問題，然后在以后重新審視它們，并通過對歷史數據的小實驗來尋求答案。 * 在不同的時間尺度，縮放和觀察變換中查看大量的數據圖，以幫助使數據中的可利用結構顯而易見。 * 使用有意義的表現測量和可靠的測試策略（例如前瞻性驗證（滾動預測））開發用于評估模型的強大測試工具。 * 從簡單的樸素預測模型開始，為更復雜的方法提供表現基準。 * 為您的時間序列數據創建大量透視圖或視圖，包括一套自動變換，并使用一個或一組模型評估每個透視圖或視圖，以幫助自動發現非直觀的表示和模型組合，從而獲得良好的預測你的問題。 * 從簡單到更高級的方法，嘗試一系列不同類型的模型來解決您的問題。 * 針對給定問題嘗試一套配置，包括在其他問題上運行良好的配置。 * 嘗試使用模型的自動超參數優化方法來清除一套表現良好的模型以及您不會手動嘗試的非直觀模型配置。 * 為正在進行的預測設計表現和技能的自動化測試，以幫助自動確定模型是否以及何時變得陳舊并需要審查或重新訓練。 ## 進一步閱讀 本節列出了一些可用于了解時間序列預測過程的資源。 * 第 1.3 節預測過程，[實際時間序列預測與 R：動手指南](http://www.amazon.com/dp/0997847913?tag=inspiredalgor-20)。 * 第 1.6 節預測任務的基本步驟，[預測：原則和實踐](http://www.amazon.com/dp/0987507109?tag=inspiredalgor-20) 你知道有關時間序列預測過程的任何好資源嗎？ 在下面的評論中分享。 ## 摘要 在這篇文章中，您發現了可用于處理時間序列預測問題的流程。 具體來說，你學到了： * 通過 Hyndman 和 Athanasopoulos 完成時間序列預測任務的 5 個步驟。 * 由 Shmueli 和 Lichtendahl 定義目標和實施預測系統的 8 步迭代過程。 * 在完成時間序列預測項目時需要考慮的 10 條建議和實用技巧。 您對時間序列預測流程或此帖有任何疑問嗎？ 在下面的評論中提出您的問題。