如何运用LightGBM算法在时间序列预测中实现LazyProphet？
- 内容介绍
- 文章标签
- 相关推荐
本文共计2554个文字，预计阅读时间需要11分钟。
在考虑时间序列增强树时，常会想到M5+比赛，其中前十名中很多使用了LightGBM。然而，在单变量情况下，增强树因缺乏大量外部特征而性能不佳。
当我们考虑时间序列的增强树时，通常会想到 M5 比赛，其中前十名中有很大一部分使用了 LightGBM。但是当在单变量情况下使用增强树时，由于没有大量的外生特征可以利用，它的性能非常的糟糕。
首先需要明确的是M4 比赛的亚军 DID 使用了增强树。但是它作为一个元模型来集成其他更传统的时间序列方法。在 M4 上公开的代码中，所有标准增强树的基准测试都相当糟糕，有时甚至还达不到传统的预测方法。下面是Sktime 包和他们的论文所做的出色工作[1]：
任何带有“XGB”或“RF”的模型都使用基于树的集成。在上面的列表中 Xgboost 在每小时数据集中提供了 10.9 的最佳结果！然后，但是这些模型只是Sktime 在他们框架中做过的简单尝试，而 M4 的获胜者在同一数据集上的得分是 9.3 分……。在该图表中我们需要记住一些数字，例如来自 XGB-s 的每小时数据集的 10.9 和每周数据集中的树性模型的“最佳”结果：来自 RF-t-s 的 9.0。
从上图中就引出了我们的目标：创建一个基于LightGBM并且适合个人使用的时间序列的快速建模程序，并且能够绝对超越这些数字，而且在速度方面可与传统的统计方法相媲美。
听起来很困难，并且我们的第一个想法可能是必须优化我们的树。但是提升树非常复杂，改动非常费时，并且结果并不一定有效。
本文共计2554个文字，预计阅读时间需要11分钟。
在考虑时间序列增强树时，常会想到M5+比赛，其中前十名中很多使用了LightGBM。然而，在单变量情况下，增强树因缺乏大量外部特征而性能不佳。
当我们考虑时间序列的增强树时，通常会想到 M5 比赛，其中前十名中有很大一部分使用了 LightGBM。但是当在单变量情况下使用增强树时，由于没有大量的外生特征可以利用，它的性能非常的糟糕。
首先需要明确的是M4 比赛的亚军 DID 使用了增强树。但是它作为一个元模型来集成其他更传统的时间序列方法。在 M4 上公开的代码中，所有标准增强树的基准测试都相当糟糕，有时甚至还达不到传统的预测方法。下面是Sktime 包和他们的论文所做的出色工作[1]：
任何带有“XGB”或“RF”的模型都使用基于树的集成。在上面的列表中 Xgboost 在每小时数据集中提供了 10.9 的最佳结果！然后，但是这些模型只是Sktime 在他们框架中做过的简单尝试，而 M4 的获胜者在同一数据集上的得分是 9.3 分……。在该图表中我们需要记住一些数字，例如来自 XGB-s 的每小时数据集的 10.9 和每周数据集中的树性模型的“最佳”结果：来自 RF-t-s 的 9.0。
从上图中就引出了我们的目标：创建一个基于LightGBM并且适合个人使用的时间序列的快速建模程序，并且能够绝对超越这些数字，而且在速度方面可与传统的统计方法相媲美。
听起来很困难，并且我们的第一个想法可能是必须优化我们的树。但是提升树非常复杂，改动非常费时，并且结果并不一定有效。