时间序列预测 — 时间序列预测存在的问题：如何真正预测未来值？

????专栏链接：https://blog.csdn.net/qq_41921826/category_12495091.html

专栏内容

??所有文章提供源代码、数据集、效果可视化

??文章多次上领域内容榜、每日必看榜单、全站综合热榜

?

?

?

?

?

?

?

时间序列预测存在的问题

??现有的大量方法没有真正的预测未来值，只是用历史数据做验证

??利用时间序列分解算法存在信息泄露的问题：有人用emd+lstm对时间序列进行预测，是否存在原理上的问题? - 知乎

---

目录

1 时间序列问题简介

2 现有的方法没有预测未来值

3 如何真正预测未来值?

3.1 未来特征已知情况

3.2 单变量滚动预测?

3.3 多变量直接多输出

3.4?多变量滚动预测

3.5 单变量序列分解转为多单变量滚动

3.6 单变量序列分解转为多变量滚动

?3.7?多变量序列分解转为多变量滚动

---

1 时间序列问题简介

时间序列是指按照时间顺序排列的一系列数据点，通常是在连续的时间间隔内收集的数据。这些数据点可以代表各种现象，如股票价格、负荷、光伏、风电等，它们可以展现出随时间变化的趋势、周期性和随机性。如下的电力负荷数据

在时间序列分析中，常用的模型包括深度学习方法（LSTM、GRU、BiLSTM等）、Transformer方法（Attention、informer、autoformer等）、时间序列分解方法（?VMD、EEMD、CEEMDAN等）这些模型可以帮助我们对时间序列数据进行建模，并进行未来的预测。

2 现有的方法没有预测未来值

现有的很多方法只是进行模型的测试，并没有真正预测未来值。训练时将特征和标签按时间对应，预测时将测试特征输入，得到测试标签。此时如果测试特征未知，将得不到测试标签结果。

3 如何真正预测未来值?

3.1 未来特征已知情况

如果未来特征已知，例如我们知道明天的干球温度、露点温度、湿球温度、湿度、电价，则可以通过训练的模型直接得到明天的电力负荷。未来特征的获取可以通过天气预报、公开信息进行获取，当此时存在二次误差的问题，不能保证天气预报的范围和精度。也可以对未来的特征进行预测，但会陷入无线套娃。

3.2 单变量滚动预测?

单变量滚动整体的思路：用x个数据预测未来的2y个未来数据，在训练集划分时，将前x个数据和后y个数据作为一个训练数据，依次对训练数据集进行滚动划分。在预测时，需要预测2y个数据，先利用x个数据预测y个数据，然后将预测的y各数据添加到历史数据当中，在x+y个数据中取出后x个数据再预测y个数据，滚动预测两次，得到2y个数据。

3.3 多变量直接多输出

多变量直接多输出整体的思路：用x行特征数据预测未来的2y个未来标签数据，在训练集划分时，将前x行特征数据和后y个标签数据作为一个训练数据，依次对训练数据集进行滚动划分。在预测时，需要预测2y个数据，直接利用x行特征数据预测2y个数据，无需进行滚动预测。

3.4?多变量滚动预测

?多变量滚动预测整体的思路：用x行特征数据预测未来的2y个未来标签数据，在训练集划分时，将前x行特征数据和后y个标签数据作为一个训练数据，依次对训练数据集进行滚动划分。在预测时，需要预测2y个数据，直接利用x行特征数据预测2y个数据，无需进行滚动预测。

3.5 单变量序列分解转为多单变量滚动

单变量序列分解转为多单变量滚动预测整体的思路：首先将单变量分解为多个分解序列，再对每个分解序列按照单变量滚动的思路进行预测，最后将预测的分解序列求和，得到单变量的预测值。

3.6 单变量序列分解转为多变量滚动

单变量序列分解转为多变量滚动预测整体的思路：首先将单变量分解为多个分解序列，再对整体分解序列按照多变量滚动的思路进行预测，最后将预测的分解序列求和，得到单变量的预测值。

3.7?多变量序列分解转为多变量滚动

多变量序列分解转为多变量滚动预测整体的思路：首先将多变量标签分解得到分解序列，将特征和和分解序列一起组成训练数据，再对整体训练数据按照多变量滚动的思路进行预测，最后将预测的分解序列求和，得到标签预测值。

?