11、全球预测模型：多步、多变量与多时间序列预测

全球预测模型：多步、多变量与多时间序列预测

1. 多步预测与深度学习模型

传统的监督机器学习模型通常从一维目标变量中学习。在预测问题中，这个变量可以是时间序列下一个周期的值。然而，多步预测问题需要每次预测多个值。深度学习模型本质上是多输出算法，因此可以用单个模型处理多个目标变量。

多步预测的其他方法通常涉及创建多个模型或为不同的预测范围重复使用相同的模型。但多输出方法更可取，因为它能够捕捉不同预测范围之间的依赖关系，从而可能带来更好的预测性能。

除了直接使用深度学习模型进行多步预测外，还有其他流行的方法：
- 递归法（Recursive） ：训练一个神经网络进行单步预测，然后递归使用该网络以获得多步预测。
- 直接法（Direct） ：为每个预测范围训练一个神经网络。
- 直接递归法（DirRec） ：为每个预测范围训练一个神经网络，并将前一个预测结果作为下一个网络的输入。

2. 多变量时间序列的多步和多输出预测

在处理多变量时间序列时，我们通常不仅对预测一个变量感兴趣，而是多个变量。例如，在处理时空数据时，目标是预测不同位置的未来值。

2.1 数据准备

我们将使用太阳能辐射数据集，目标是预测三个变量的未来值：太阳能辐射、蒸汽压力和空气温度。

N_LAGS = 14
HORIZON = 7
TARGET = ['Incoming Solar', 'Air Temp', '