并非将过去的观察结果作

[rochona]

然而，我们在本文中将重点讨论的方法类别是时间索引模型。这些模型为输入，而是将时间索引特征（例如小时中的分钟、星期几等）作为输入，并预测该时间索引处的时间序列值。时间索引模型基于历史数据进行训练，并通过查询未来值来进行预测。

时间指数模型的一些经典示例包括Prophet（一种专门用于商业预测的开源预测工具）和高斯过程。

问题：长序列 = 非平稳性 = 性能差
虽然在机器学习工作流程中，我们通常会收集大量数据，但随着时间的推移，生成这些数据的系统可能会发生一些变化。例如，随着某种产品越来越受欢迎，它的日销量可能会比前几年大幅增长。或者，如果为某台 电话号码收集 服务器分配了不同的应用程序运行，其 CPU 利用率模式可能会发生显著变化。

这种现象导致了非平稳时间序列——收集到的数据模式会随时间变化。当我们尝试在此类数据上应用机器学习时，这会带来问题，因为机器学习技术最适合处理同分布数据（即在数据中观察到的模式保持不变）。

随着系统发生变化，数据的两个问题会导致我们的模型性能下降——协变量偏移和条件分布偏移（如图1所示）。大多数现有方法都是历史值模型，它们都存在这些问题。