本文比较了使用本地和全局方法进行时间序列预测的差异，并提供了使用LightGBM和澳大利亚旅游数据集进行Python演示的示例。
要跳转到Python示例，请点击这里！
什么是本地预测？
本地预测是传统方法，其中我们为每个时间序列单独训练一个预测模型。经典的统计模型（如指数平滑、ARIMA、TBATS等）通常使用这种方法，但标准机器学习模型也可以通过特征工程步骤来使用。
本地预测具有优点：
- 易于理解和实现。
- 可以单独调整每个模型。
但它也有一些局限性：
- 它受到“冷启动”问题的影响：它需要相对较多的历史数据才能可靠地估计模型参数。它还使得无法预测新的目标，如对新产品的需求。
- 它无法捕捉相关时间序列之间的共性和依赖关系，如横截面或层级关系。
- 对于具有许多时间序列的大型数据集，很难扩展，因为它需要为每个目标拟合和维护单独的模型。
什么是全局预测？
全局预测是一种更现代的方法，其中使用多个时间序列训练一个单一的“全局”预测模型。通过这样做，它具有更大的训练集，并且可以利用跨目标的共享结构来学习复杂关系，从而实现更好的预测。
构建全局预测模型通常涉及特征工程步骤，以构建以下特征：
- 目标的滞后值
- 目标在时间窗口中的统计信息（例如…