时间序列型的数据做预测_决策树模型可以加入时间吗

        

        最近在公司有做一个  快递中转中心<--->另一个快递操作中心  操作量预测的项目，有一些方法和感想总结一下

一、问题背景

1、主要目的是为了预测T+7日内快递某操作中心到其他操作中心的发件量，即中心的操作量

2、T+1日的预测精度高对实际工作帮助较大

二、主要思路

1、做仿真系统，把实际影响的因素都考虑进去，读快递网点实时的收件数据，然后和快递中心的人、车等影响因素相匹配，得到近乎实际的预测数据，这个需要大数据的流处理，比如storm，streaming

2、传统机器学习方式做预测，回归、决策树、时间序列等

3、经验参数型，学习周期变化(周、季节、电商活动周期等)的参数，然后预测

4、深度学习系列，LSTM

三、 实际处理

我和小组内的另一个小伙伴一起做，源数据就是时间序列型的，某中心-->某中心，日期，操作量 这样格式

我主要用回归，决策树，经验参数，最后LSTM水了一下，完全不懂这个

另一个小伙伴主要用时间序列，主要用ARIMA这个模型

经验参数这个效果相对最好，主要思路：

1、观察数据，周之间的规律性较强，一个中心到另一个中心每周二相对周一的日环比大小相当

2、快递公司操作量很受电商活动的影响，电商影响的日期做平均处理，实际上线时单独处理

3、这样先预测一天的结果    某周二预测操作量=sum(之前x周的周二的操作量)/sum(之前x周的周一的操作量)*周一的操作量

4、然后同样求周三到周二变化率，周四到周三的变化率，累乘

5、然后就是具体调参数，用几周的平均值，还是随意给系数，这个可以根据误差率计算一个最优的参数

四、结果比较

经验参数结果更稳定且误差最小，最后上线采用的这个

五、总结

1、底层数据完善可以节省很多清洗数据的时间

2、特征工程很重要，做的时候只是简单的数据整理就跑模型，现在想特征工作认真做一下应该会有不小的提升

3、如果是线上的模型，最好开始做的时候就能在线上部分实现，这样很多想法能更快的尝试

4、机器学习的路还有很长要走，特征工程完全是凭感觉在做，没有一个系统的方法，希望能有机会去大厂工作学习下

最近有看到一篇文章写得蛮全面的，可以参考下：http://www.infoq.com/cn/articles/a-study-on-sales-forecasting-based-on-machine-learning/