作者简介
饭饭爱吃饭,携程高级数据分析师,主要负责旅游领域数据赋能相关工作。对旅游趋势识别与推荐、旅游广告投放、旅游LBS等领域有浓厚兴趣。
一、背景
二、时间序列预测比较常见的工具方法
2.1 基于业务场景理解的因子预测模型
2.2 传统时间序列预测模型
-
可以作为预测的baseline model,为项目提供一个准确率的基准线,来帮助评估其他模型的提升。 -
前置清洗作用,时序模型由于其较好的可解释性,可以帮助剔除一些异常值,比如因服务器故障或者业务线逻辑调整产生的异常值。 -
作为集成模型中的一块,参与时序集成模型的训练。 -
可以提供一个预测结果的合理的范围,因为话务量通常不会短时间内激增。使用这个合理的范围,在黑盒模型最后输出结果时,帮忙进行后置校准,从而使预测系统更加稳定。
2.3 机器学习模型
-
离散类时间特征:年月日时分数,周几,一年中的第几天,第几周,一天中的哪个时间段等
-
判断类时间特征:是否调休,是否周末,是否公共假期等
-
滑窗类时间聚合特征:过去X天平均值,过去X天方差,过去X天最大值,过去X小时四分位数,过去X天偏态系数等
-
其他时序模型的预测值作为特征:ARIMA、SARIMA、指数平滑等
-
其他相关业务线数据的引入:比如对于售后业务线,引入售前业务线/预定业务线等数据,帮忙进行售后业务线的预测
2)神经网络模型
三、一些经验与思考
“携程技术”公众号
分享,交流,成长
本文始发于微信公众号(携程技术):干货 | 时间序列预测的常见方法及思考
- 左青龙
- 微信扫一扫
- 右白虎
- 微信扫一扫
评论