Tensorflow：预测时间序列预测中的增长因子答案

【问题标题】：Tensorflow: predict grow factor in a time series forecastTensorflow：预测时间序列预测中的增长因子
【发布时间】：2018-08-01 22:13:46
【问题描述】：

我正在开发一个应用程序，以使用 Canned Estimator tf.estimator.DNNRegressor 预测我的电子商务网站上未来的每小时在线订单（时间序列问题）

    estimator = tf.estimator.DNNRegressor(
        feature_columns=my_feature_columns,
        hidden_units=hidden_units, 
        model_dir=model_dir, 
        optimizer=tf.train.ProximalAdagradOptimizer(learning_rate=0.01,
                                                l1_regularization_strength=0.001))

我使用的功能几乎都基于日期和时间。例如，我的训练数据中的csv 文件如下所示

year,month,day,weekday,isweekend,hr,weeknum,yearday,orders
2018,7,16,2,0,0,29,197,193
2018,7,16,2,0,1,29,197,131
2018,7,16,2,0,2,29,197,77
2018,7,16,2,0,3,29,197,59
.....

其中订单列是模型的目标。

到目前为止，我得到的模型运行良好，但是当我对黑色星期五这样的高需求日进行预测时，它预测不足。例如，在下图中，我们可以看到对今年 2018 年黑色星期五的预测（虚线）没有我们直观预期的那么高，尽管它很好地预测了形状。

话虽如此，如果有任何建议可以添加到我的模型中，我将不胜感激，这样它也可以正确预测增长因素，而不仅仅是趋势。

【问题讨论】：

标签： python tensorflow machine-learning deep-learning tensorflow-estimator

【解决方案1】：

这是一个时间序列问题，因此您最好使用tf.contrib.timeseries.ARRegressor（专为时间序列构建的神经网络）或tf.contrib.timeseries.StructuralEnsembleRegressor（时间序列状态空间模型 - which）而不是通用神经网络。

两个模型都采用 exogenous_feature_columns 参数，您可以使用 0 填充正常日期，使用 1 填充黑色星期五等活动日期。这将解决您预测不足的问题，因为否则模型会将这些峰值视为异常值（即使使用通用神经网络您也可以这样做 - 使用时间序列特定函数进行编码更容易）。

总的来说，我会推荐除 tensorflow 之外的其他工具用于时间序列预测，例如 Facebook Prophet 或 Statsmodels 包。

我会更进一步，建议您根本不要使用 Python，而是考虑使用 R 中可用的一些预测包。

【讨论】：

谢谢亚历克斯。事实上，我对你的最后一句话很感兴趣。我对 Python 感到有些紧张（只是一种意见），如果可能的话，我想了解更多关于为什么您根本不建议使用 Python。
@zeellos “我对 Python 感到有些紧张” --- 就编程语言而言，我实际上更喜欢 Python 而不是 R。这只是 R 中可用于时间序列分析的工具的数量比 Python 中可用的更成熟和广泛。
@zeellos- 我在所有时间序列建模中都使用 R，并且一些同行建议通过 Keras/Tensorflow 研究 RNN。我想知道你在 Keras/TF 中使用 Python 与 Prophet 相比有什么经验？我在网上没有发现两者之间的比较，并且正在寻找有关两者比较的更多信息。