多步时间序列预测策略实战

在数据科学中，预测未来的单步和多步时间序列具有显著差异。多步预测更加复杂，要求模型理解长期模式和依赖关系，以及捕捉一段时间内的动态变化。两种常见的多步预测策略包括单步预测策略和递归预测策略。在递归策略中，模型逐步迭代预测，使用上一步的预测作为下一步的输入，如图(A)所示。直接预测策略则构建多个模型，每个模型预测一个特定时间点，如图(B)所示。

这两种方法在实际应用中都需要大量时间进行数据处理和模型迭代。Python库"Sktime"简化了递归和直接预测方法的应用，并与其他库如"statsmodels"集成，提供了统一的API。本文接下来介绍如何使用这些策略进行多步预测以及如何用代码来实现。

多步预测的递归策略通常采用单一模型来迭代预测未来的每一步。预测过程如下：

1. 建模：选择一个预测模型，如ARIMA或lightGBM。
2. 生成第一次预测：使用历史数据和训练好的模型。
3. 迭代预测：将每次预测的结果加入历史数据中，用于下一步的预测。

随着预测步数的增加，预测的准确性可能会下降，因为早期的预测误差可能会累积。尽管如此，如果模型足够复杂，这种误差是可以接受的。

在实践中，首先需要安装必要的库，然后加载和处理数据。使用"Sktime"库的pd.PeriodIndex()可以确保时间序列数据符合Sktime格式。接着从Pandas DataFrame中提取时间序列数据，将其分为训练和测试集。

通过递归预测方法建立一个lightGBM模型，使用预定的超参数。使用make_reduction()函数将lightGBM回归模型转换为适用于时间序列预测的模型，并训练模型。

最后，设置未来100个时间周期的预测目标，并使用训练好的模型进行预测。最终，将预测值与测试数据集中的实际值进行比较，并通过图形展示两者的匹配情况。