如何用极限机器学习（Extreme Machine Learning）实现未来12个月时序预测

当前你的代码仅能对已有测试集做滑动窗口单步预测，要生成2023年未来12个月的预测，核心是递归式多步预测——用模型输出的预测值作为下一次预测的输入，循环迭代生成未来数据。具体步骤如下：

1. 准备初始预测窗口 #

首先用训练集的统计量对全量数据做标准化，再取最后m个点作为初始输入窗口：

# 用训练集的均值和标准差对全量数据做标准化
data_scaled = (data - mean_train) / sd_train
# 取最后m个标准化后的数据点作为初始窗口（确保格式与训练输入一致）
current_window = data_scaled[-m:].flatten()

2. 递归迭代生成12个月预测 #

循环12次，每次预测一个时间步的值，然后更新输入窗口（移除最旧的点，加入新预测的点）：

# 存储标准化后的预测值
future_preds_scaled = []
# 循环预测12次
for _ in range(12):
    # 将窗口转为模型要求的输入形状（与训练时X_train的形状匹配：(1, m)）
    X_future = current_window.reshape(1, -1)
    # 调用现有predict函数得到标准化的预测值
    pred_scaled = predict(X_future)[0][0]
    # 保存当前预测值
    future_preds_scaled.append(pred_scaled)
    # 更新窗口：移除第一个元素，添加新预测值
    current_window = np.append(current_window[1:], pred_scaled)

3. 反标准化得到真实预测值 #

将标准化的预测值转换为实际业务数值：

# 用训练集的均值和标准差反标准化
future_preds = np.array(future_preds_scaled) * sd_train + mean_train

注意事项 #

• 输入形状匹配：确保X_future的形状与训练时X_train的形状一致（比如你的X_train是(n_samples, m)，所以要转成(1, m)）
• 误差累积问题：递归预测会逐步累积误差，如果序列波动较大，后期预测误差可能会增大。若要优化，可考虑直接多步预测（训练模型一次性输出12步结果），但实现复杂度更高
• 窗口含义确认：确认m=14代表的时间步长度（比如14天/14个月），确保初始窗口和迭代逻辑与数据频率匹配

内容的提问来源于stack exchange，提问作者NguyenNguyen