เมื่อคุณมีข้อมูลพาเนลมีงานต่าง ๆ ที่คุณสามารถลองแก้ปัญหาได้เช่นการจำแนก / การถดถอยอนุกรมเวลาหรือการพยากรณ์พาเนล และสำหรับแต่ละภารกิจมีวิธีการมากมายในการแก้ปัญหา
เมื่อคุณต้องการใช้วิธีการเรียนรู้ของเครื่องเพื่อแก้ปัญหาการพยากรณ์แผงมีหลายวิธี:
เกี่ยวกับข้อมูลอินพุตของคุณ (X), การรักษาหน่วย (เช่นประเทศ, บุคคล, ฯลฯ ) เป็นตัวอย่าง iid คุณสามารถ
- bin อนุกรมเวลาและถือว่าแต่ละ bin เป็นคอลัมน์แยกโดยไม่สนใจลำดับเวลาใด ๆ ด้วยช่องเก็บที่เท่ากันสำหรับทุกหน่วยขนาดของ bin แน่นอนว่าเป็นการวัดอนุกรมเวลาที่สังเกตได้หรือคุณสามารถเพิ่มและรวมเป็นถังขยะขนาดใหญ่ได้ ใช้อัลกอริธึมการเรียนรู้ของเครื่องมาตรฐานสำหรับข้อมูลตาราง
- หรือแยกคุณสมบัติจากอนุกรมเวลาสำหรับแต่ละหน่วยและใช้แต่ละคุณสมบัติที่แยกเป็นคอลัมน์แยกอีกครั้งรวมกับอัลกอริทึมแบบตารางมาตรฐาน
- หรือใช้อัลกอริทึมการถดถอยอนุกรมเวลา / การจำแนกประเภทโดยเฉพาะขึ้นอยู่กับว่าคุณสังเกตข้อมูลอนุกรมเวลาต่อเนื่องหรือเด็ดขาดซึ่งรวมถึงการสนับสนุนเครื่องเวกเตอร์ที่มีเมล็ดพิเศษที่เปรียบเทียบอนุกรมเวลากับอนุกรมเวลา
เกี่ยวกับข้อมูลส่งออกของคุณ (y) หากคุณต้องการคาดการณ์จุดเวลาหลายจุดในอนาคตคุณสามารถทำได้
- ปรับตัวประมาณค่าสำหรับแต่ละขั้นตอนที่คุณต้องการคาดการณ์ใช้ข้อมูลอินพุตเดียวกันเสมอ
- หรือพอดีกับตัวประมาณค่าเดียวสำหรับขั้นตอนแรกไปข้างหน้าและในการทำนายให้หมุนข้อมูลอินพุตในเวลาโดยใช้การคาดการณ์ขั้นตอนแรกเพื่อผนวกเข้ากับข้อมูลอินพุตที่สังเกตได้เพื่อทำการคาดการณ์ขั้นตอนที่สองเป็นต้น
วิธีการข้างต้นทั้งหมดช่วยลดปัญหาการพยากรณ์แบบพาเนลให้กับการถดถอยอนุกรมเวลาหรือปัญหาการถดถอยแบบตาราง เมื่อข้อมูลของคุณอยู่ในอนุกรมเวลาหรือรูปแบบการถดถอยแบบตารางคุณสามารถผนวกคุณสมบัติที่ไม่แปรเปลี่ยนเวลาใด ๆ สำหรับผู้ใช้
แน่นอนว่ามีตัวเลือกอื่น ๆ ในการแก้ปัญหาการพยากรณ์แบบพาเนลเช่นการใช้วิธีการพยากรณ์แบบคลาสสิกเช่น ARIMA ที่ปรับให้เข้ากับข้อมูลแบบพาเนลหรือวิธีการเรียนรู้เชิงลึกที่ช่วยให้คุณสามารถเรียงลำดับการพยากรณ์ตามลำดับได้โดยตรง