時系列予測のためのラグ機能

表形式モデルは、各トレーニング行が予測起点を表し、その特徴にその起点で利用可能な情報が含まれている場合に、時系列を予測できます。ラグ特徴は、y_(t-1)、y_(t-7)、y_(t-24) などのシフトされた値です。これらは、将来のターゲット y_t または y_(t+h) の予測子として、最近の履歴と季節の繰り返しを提供します。ローリング統計は過去の値のウィンドウを要約し、カレンダー機能は既知のタイミング パターンをエンコードします。調整が中心的なリスクです。時刻 t での y_t を予測するには、フィーチャに y_t 以降の値が含まれていてはなりません。ターゲットが y_t の場合、7 日間移動平均は t-1 で終了する必要があります。よくあるエラーは、ターゲットの観測値を含むシフト前の移動平均を計算することです。もう 1 つは、ランダムなトレーニングとテストの分割です。この分割では、将来の行で以前の期間で評価されたモデルをトレーニングでき、重複するウィンドウがほぼ同一の情報を共有します。仮想の週次需要予測を考えてみましょう。特徴には、1 週間前、4 週間前の需要、過去 4 週間の平均、平日および計画休日の指標が含まれる場合があります。それぞれの値の利用可能性を追跡する必要があります。休日のカレンダーはわかっていますが、実際の天気は天気予報を使用しない限り分からない可能性があります。特徴は履歴的に相関していても、決定時には利用できない場合があります。使用に合わせた予測期間を使用して、ウィンドウのローリングまたは拡張などの時間順の検証を使用します。ラベルが遅れて到着する場合、またはフィーチャがテスト ウィンドウと重なる期間にまたがる場合、ギャップが必要になる場合があります。スケーラーとインピューターを各トレーニング フォールド内にのみ適合させます。複数ステップの予測の場合、事前の予測を使用して再帰的に予測するか、各期間を直接予測するか、将来の既知の共変量を使用した戦略を使用するかを決定します。単純な季節ベースラインに照らして評価し、時間の経過とともにパフォーマンスがどのように変化するかを監視します。ラグ特徴学習は柔軟な非線形予測を提供しますが、その信頼性は規律ある情報のタイミングとシーケンス プロセスの安定性に依存します。