將Prophet的預測結果作為特徵輸入到 LightGBM 模型中進行時序的預測

我們以前的關於使用機器學習進行時間序列預測的文章中，都是專注於解釋如何使用基於機器學習的方法進行時間序列預測並取得良好結果。

但是在這篇文章將使用更高階的技術來預測時間序列，本文將使用 Prophet 來提取新的有意義的特徵，例如季節性、置信區間、趨勢等。

時間序列預測

一般情況下 LightGBM 模型都會使用一些lag的特徵來預測未來的結果，這樣做一般情況下能夠取得很好的效果。本文介紹一種新的思路：使用 Prophet 從時間序列中提取新特徵，然後使用LightGBM 進行訓練，可以得到更好的效果。Prophet 模型的實際預測、置信區間的上限和下限、每日和每週的季節性和趨勢等都可以作為我們的新特徵。對於其他型別的問題，Prophet 還可以幫助我們提取描述假日效果。

原始資料

我們的資料如下所示：

使用 Prophet 提取特徵

我們特徵工程的第一步非常簡單。我們只需要使用Prophet 模型進行預測：

完整文章：

https://www.overfit.cn/post/4f12535a96ac41fb98e8b7820a0cda5f