使用 PyCaret 进行时间序列预测：构建多步预测模型

熟悉时间预测

时间序列预测有助于利用过去的信息预测未来的数据，这在金融、天气和库存等领域非常有用。准确的时间相关预测有助于企业做出更好的选择。

单步预测是仅预测时间序列中下一个值的过程。此方法仅关注未来的一个时间点。多步预测意味着预测多个时间段（例如几周或几个月）的未来值。有两种方法可以做到这一点：

• 直接预测：为每个未来时间步骤创建一个新模型
• 递归预测：该模型使用过去的预测来预测下一个值

多步预测在金融、供应链和天气预报等领域很有用。

PyCaret 是什么？

**PyCaret**是一款简化预测的 Python 工具。它可以自动执行机器学习工作流程中的许多步骤，例如选择模型、设计特征以及找到性能最佳的模型。PyCaret 可以帮助完成以下工作：

• 易于使用：PyCaret 凭借其简单的界面，可以轻松设置机器学习模型
• 全面的模型选择：PyCaret 提供许多时间序列模型，例如 ARIMA、ETS 和 Prophet
• 自动特征工程：PyCaret 创建有用的特征，例如过去的数据点和移动平均值，以改进预测
• 模型调整和评估：PyCaret 通过调整设置和检查其性能来帮助改进模型

在本文中，我们将展示如何构建多步预测。多步意味着预测的不仅仅是下一个单个值。PyCaret 可以帮助您处理数据、模型和结果检查。我们将讲解如何构建和改进您的预测模型。

在继续阅读本文之前，您可能会发现本系列的前 3 篇文章很有帮助：

1. [在 PyCaret 中构建自定义模型管道：从数据准备到生产]
2. [PyCaret 中的自动特征工程]
3. 使用 PyCaret 创建强大的集成模型

在开始之前，请确保已安装 PyCaret。您可以使用pip进行安装：

pip install pycaret

准备数据
我们将使用航空旅客数据集作为此示例。该数据集显示了每月的航空旅客数量。

import pandas as pd
from pycaret.time_series import *

# Load the dataset
url