时间序列数据存储

背景现如今，随着企业业务零碎越来越简单，单指标工夫序列预测已不能满足大部分企业需要。在简单的零碎内，如果采纳繁多的指标进行工夫序列预测，因为各个指标相互作用的关系，因而会因为漏掉局部指标因素导致呈现预测精确度降落的状况。基于以上背景，多指标工夫序列预测呈现了。多指标工夫序列预测能够将目标值波及到的所有因素均思考在内，因而进步了预测的准确性。 工夫序列概念工夫序列是一组依照工夫产生先后顺序进行排列的数据点序列。具备以下特点： 通常一组工夫序列的工夫距离为一恒定值；往往具备有意义的可探索的特色，如趋势性、周期性等；工夫序列会蕴含肯定水平的乐音，即随机特色。 预测的根本工作单指标时序预测工作是给定某一个指标的历史变动状况，预测其在将来一段时间内的变动。多指标时序预测工作则是给定某几个指标的历史变动状况，预测其在将来一段时间内的变动。多指标时序预测工作与单指标时序预测工作的区别在于几个指标之间不肯定互相独立，而是存在某种影响。 评估指标下图为工夫序列模型罕用评估指。在应用过程中，需依据理论的数据特色和指标个性进行抉择。 预测形式示例：假如一个工夫序列为 [1,2,3,4,5,6,7,8,9,10,X,Y,Z]，通过 [1,2,3,4,5,6,7,8,9,10] 预测 [X,Y,Z]。 单步预测 单步预测是用 [8,9,10] 预测 [X]。即通过过来三个工夫戳的值 [8,9,10] 来预测将来一个工夫点的值，该模型也叫三阶滞后模型。 间接多步预测 间接多步预测是先通过 [8,9,10] 预测 [X]，同样的办法通过 [8,9,10] 预测 [Y] 和 [Z]。该形式的毛病是预测多少个工夫点的值就须要构建多少个模型，因而计算的工夫和空间复杂度均十分高。   model1：[1,2,3,4,5,6,7,8,9],[X]  model2：[1,2,3,4,5,6,7,8,9],[Y]  model3：[1,2,3,4,5,6,7,8,9],[Z]递归多步预测 递归多步预测是通过 [8,9,10] 预测 [X]，随后依据预测到的 [X] 加 [9,10] 预测 [Y]。该形式因为是通过预测失去的值再次预测，因而会造成误差累计的状况，从而预测后果的精准度会继续降落。   [8,9,10] 失去 prediction(X)；  [9,10,prediction(x)]，而后 prediction(y)，顺次类推。混合模型 混合模型汇合了间接多步预测和递归多步预测的长处。通过 [8,9,10] 预测 [X]，随后依据预测到的 [X] 加 [8,9,10] 预测 [Y]。   [8,9,10] 预测 [X]，  [8,9,10,pre(X)] 预测 [Y]多输入预测 多输入预测是通过 [8,9,10] 间接一次性将 [X,Y,Z] 预测进去。   [8,9,10] 预测 [X,Y,Z]时序特色工程经调研，时序特色工程应从工夫戳衍生特色、时序值衍生特色、属性变量衍生特色以及非凡周期性结构四方面着手。 工夫戳衍生工夫戳衍生进去的变量蕴含工夫特色、布尔特色、时间差特色三大类。 工夫特色： 蕴含年、季度、月、周、天（一年、一月、一周的第几天）、小时、分钟等。 ...