在落后目标变量从而消除趋势之后，您能否预测时间序列趋势？

Question

可能我缺少明显的东西-当我对时间序列目标数据进行趋势分解时，我的模型执行得更好。那很棒。但是，我试图预测整个周期，并且趋势很重要。是否有办法用这些更好的分数来重构趋势，或者我是通过一开始就删除趋势来徒步射击？

趋势完整的平均绝对误差在0.001-0.003的数量级，除去趋势后得分在0.0001左右

Answer 1

请提供更多信息。 您使用哪种模型？ 你能举一个时间序列的例子吗pd.Series（data = [100,110,120,130,140]）？ 您是否检查过拟合，这意味着您的模型在当前数据集上表现良好，但是一旦输入新数据，其表现就会非常差。 您的时间序列真的有趋势吗，还是它或多或少地横向移动（从情节讲）？

还可以组合不同的模型，例如，线性模型模型可能是模拟趋势的不错选择。一旦实现了线性趋势模型，就可以添加另一个模型，该模型试图预测线性趋势模型在哪里出错。因此，从本质上讲，您可以添加一个随机森林算法来预测线性模型的残差。 获得两个模型后，您可以轻松总结两个模型的预测。大趋势的线性线性和试图预测季节性的随机森林。

您还可以查看自然识别季节性的模型，例如ARIMA模型。