恢复趋势和季节性

asimm4

动态预测
如果您的模型无法提供长期准确的预测，动态部署通常可以提高样本外预测的准确性。在动态部署中，每次只预测未来的一个点，过去的数据将根据此预测值进行更新以生成下一个预测（图 5）。


图  在动态部署中，每次仅生成一个预测，并将此预 美国 whatsapp 号码数据库 测添加到过去的数据中，用于在更早的时间点生成下一个预测。（图片来源：KNIME）

最后，如果我们在预测之前分解时间序列，我们需要将趋势和/或季节性恢复到预测中。如果我们通过差分数据来调整季节性，我们将通过在季节性发生的滞后处添加值来开始重建信号。例如，如果我们有每日数据 y，其中我们在滞后 7（每周季节性）应用季节性差分，则恢复此季节性需要对预测值 y t +1、  y t +2，...，  y t + h进行以下计算：


其中 t是训练数据中的最后一个时间点，  h 是预测范围。

为了恢复第二季节性，我们将对恢复的时间序列重复上述步骤。如果我们想将趋势成分恢复到时间序列中，我们将把代表趋势的回归模型应用于恢复的时间序列。