将梯度提升模型与 Prophet 相结合可以提升时间序列预测的效果

将Prophet的预测结果作为特征输入到 LightGBM 模型中进行时序的预测

我们以前的关于使用机器学习进行时间序列预测的文章中，都是专注于解释如何使用基于机器学习的方法进行时间序列预测并取得良好结果。

但是在这篇文章将使用更高级的技术来预测时间序列，本文将使用 Prophet 来提取新的有意义的特征，例如季节性、置信区间、趋势等。

时间序列预测

一般情况下 LightGBM 模型都会使用一些lag的特征来预测未来的结果，这样做一般情况下能够取得很好的效果。本文介绍一种新的思路：使用 Prophet 从时间序列中提取新特征，然后使用LightGBM 进行训练，可以得到更好的效果。Prophet 模型的实际预测、置信区间的上限和下限、每日和每周的季节性和趋势等都可以作为我们的新特征。对于其他类型的问题，Prophet 还可以帮助我们提取描述假日效果。

原始数据

我们的数据如下所示：

使用 Prophet 提取特征

我们特征工程的第一步非常简单。我们只需要使用Prophet 模型进行预测：

完整文章：

https://www.overfit.cn/post/4f12535a96ac41fb98e8b7820a0cda5f