如何结合不同的方法进行24倍更快的时间序列预测
如今，企业需要能够预测需求和趋势，以与任何突然的市场变化和经济波动保持一致。这正是由Data Science提供支持的预测工具发挥作用的地方，使组织能够成功地处理战略和容量计划。
智能预测技术可用于减少任何可能的风险并有助于做出明智的决策。我们的一个客户，来自中东的一家企业，需要预测未来十二周的市场需求。他们需要市场预测，以帮助他们设定短期目标，例如生产策略，并协助进行容量计划和价格控制。
因此，我们提出了创建可应对挑战的自定义时间序列模型的想法。在本文中，我们将介绍建模过程以及在此过程中必须克服的陷阱。
建立时间序列预测的方法很多，但都不适合我们
随着基于机器学习的强大预测方法的出现，未来的预测变得更加准确。通常，预测技术可以分为两类：定性和定量。当没有可用数据并且仅基于专家判断进行预测时，将应用定性预测。定量预测基于时间序列建模。这种模型使用历史数据，在预测一段时间内发生的某些事件时特别有效，例如价格，销售数字，产量等。
现有的时间序列预测模型包括ARIMA模型 ，该模型主要用于对时间序列数据建模而不直接处理季节性。 VAR模型x Holt-Winters 季节性方法，TAR模型 等。不幸的是，这些算法可能无法提供所需的预测准确度，因为它们可能涉及原始数据，这些原始数据可能不完整，不一致或包含一些错误。由于质量决策仅基于质量数据，因此执行预处理以准备条目信息以进行进一步处理至关重要。
为什么合并模型才是答案
显然，一种特定的预测技术无法在每种情况下都有效。每种方法都有其特定的用例，并且可以在许多因素上应用（可获得历史数据的时间段，必须遵守的时间段，预算的大小，首选的准确性级别）和所需的输出。因此，我们面临一个问题：使用哪种方法/方法来获得期望的结果？由于不同的方法有其独特的优点和缺点，因此我们决定将多种方法结合起来并使其协同工作。这样，我们可以建立一个时间序列模型，该模型能够提供可信赖的预测，以确保数据可靠性和节省时间/成本。这就是我们的做法。
建模过程；让我们深入研究细节
需求数据取决于可能影响预测结果的各种因素，例如商品的价格和类型，地理位置，国家/地区的经济状况，制造技术等。由于我们希望时间序列模型可以为客户提供高收益-准确度预测，我们对缺失值使用了插值法，以确保输入可靠。  
在Python 2.7中进行时间序列分析时，我们分析了从2010年到2015年的过去数据，以精确计算需求并预测未来的行为。图1. 2010-2015年期间的需求数据图1 2010-2015年期间需求数据
乍一看，似乎没有恒定的需求值，因为方差会不断上升和下降，因此很难进行预测。但是，这里有一种方法可以提供帮助。
我们使用分解方法分别提取趋势（一段时间内系列的增加或减少），季节性（每周，每月等期间系列内发生的波动）和残差（数据点为超出预期数据范围）。通过这三个组件，我们构建了加性模型：

关注 CDA人工智能学院 ，回复“录播”获取更多人工智能精选直播视频！