模型训练

模型选择

数据量较少，考虑机器学习算法进行预测

  • XGBoost (Extreme Gradient Boosting): 这是一种非常流行且强大的算法，在许多时间序列预测竞赛中都取得了优异的成绩。它具有高效的实现、正则化和处理缺失值的能力。你可以通过构建滞后特征、时间特征等将时间序列问题转化为监督学习问题，然后使用 XGBoost 进行预测。它在捕捉非线性关系和处理复杂模式方面表现出色。
  • LightGBM (Light Gradient Boosting Machine): 另一种高效的梯度提升框架，通常比 XGBoost 训练速度更快，并且在大型数据集上表现良好。与 XGBoost 类似，你需要进行适当的特征工程。

方案1 使用LightGBM + k折验证

训练流程

image-20250527234521748

方案2：LGBM + CATBOOST + XGBM

具体措施，使用三个模型分别训练，最终结果 对三者的预测结果进行平均。