Question

我只是想知道我们是否有一个模型将时间序列预测（例如预测未来销售）这两个因素都考虑在内。

问题在于，如果我们使用的是ARIMA之类的东西，那么它就不会考虑重要信息（例如公司添加的新促销活动或其他因素，例如产品类型等）。

另一方面，如果我使用的是随机森林之类的机器学习模型，那么我会丢失趋势和季节性的信息。

我们有结合两者的东西吗？

Answer 1

除了时间序列数据本身之外，ARIMA模型还可以获取其他信息。这些称为因果变量或外生变量。请参阅ARMAX和ARIMAX模型。

使用指数平滑类型的模型（Holt，Holt-Winters等）要复杂一些。

机器学习模型也可以用于时间序列数据，您只需要以正确的方式格式化数据即可。

对于传统的时间序列模型，数据如下所示：

Train              Test 
[1, 2, 3],          [4]
[1, 2, 3, 4],       [5]
[1, 2, 3, 4, 5],    [6]
[1, 2, 3, 4, 5, 6], [7]

您可以重新格式化数据，使其看起来像监督学习问题：

Train:    [1, 2, 3 | 4]
          [2, 3, 4 | 5]
          [3, 4, 5 | 6]
-----------------------
Test:     [4, 5, 6 | 7]

您可以应用大多数受监督的ML方法。但是请注意，对于ML模型，时间序列输入将始终是固定的滞后时间（与诸如指数平滑的顺序模型相比）。