如何使用TensorFlow库实现时间序列的未来时段预测

1. 递归预测法 #

• 运行逻辑：逐次输出单步预测结果，将预测得到的数值反向计算出差分特征，作为下一步预测的输入。比如要得到5个月后的预测值，先预测第1个月的结果，用该结果和历史最后一个月的真实值计算差分特征，输入模型预测第2个月的结果，重复这个过程直到输出第5个月的预测值。
• 适用场景：预测步长不固定、短周期预测的场景，不用调整原有训练好的模型结构，直接复用即可。缺点是预测步长越长，误差累积越严重。

2. 直接预测法 #

• 运行逻辑：调整模型的训练逻辑，训练时直接将未来N步的数值作为预测目标，比如你需要预测5个月后的数值，就把模型的输出维度设置为5，同时训练标签构造为每个样本对应未来5个月的所有数值。预测时只需要输入已知的历史序列，就能一次性得到未来5个月的全部预测结果，不需要中间计算特征的步骤。
• 适用场景：预测步长固定的场景，不会出现误差累积的问题，缺点是每变更一次预测步长就需要重新训练对应的模型。

3. 混合预测法 #

• 运行逻辑：结合前两种方法的优势，比如把5个月的预测步长拆成2段，第一段直接输出前2个月的结果，把前2个月的结果作为特征输入第二个模型直接输出后3个月的结果，平衡误差累积程度和模型训练成本。

• 差分特征的逆转换逻辑要和训练阶段的构造逻辑完全对应，预测得到的差分值要先转换回原始数值域，再进行后续的特征计算或者结果输出，避免出现数值偏移。
• 使用TensorFlow框架可以直接调用timeseries_dataset_from_array工具快速构造多步预测的训练数据集，不需要手动拼接历史特征和预测标签，能减少构造数据时的逻辑错误。

• 先掌握单步、多步、多变量三类时间序列预测的基础范式，再根据业务需求优化模型结构
• 可以先基于公开的销量、气象等标准时间序列数据集跑通多步预测全流程，再迁移到自己的业务场景，能快速排查逻辑问题。

内容的提问来源于stack exchange，提问作者AAA