"怎么预测未来几小时 / 日的数据（不使用时间序列） 我导入过去 90 他每天的销售以及转化数据后。想预测未来 90 天的数据变化 调整日期 / 时间变量后其他数据并没有根据日期 / 时间变化而 .."
怎么预测未来几小时 / 日的数据（不使用时间序列）
我导入过去 90 他每天的销售以及转化数据后。想预测未来 90 天的数据变化
调整日期 / 时间变量后其他数据并没有根据日期 / 时间变化而变化
比如我导入上午的销售数据，预测生成下午的销售数据
预测销售数据就把销售数据设为目标变量即可。没太理解您的意思，其他数据指什么，方便的话贴张图片看看。
把历史时间段的销售额作为特征变量，比如过去 6 小时的销售额、过去 24 小时的销售额、过去 2 天的销售额、….相当于把时间序列的数据拉成平的，至于选择哪些时间段，要看自己的的业务经验了。然后把某个未来时间段（比如未来 6 小时，或者未来 3 天）的销售额作为目标变量。这样可以转化成常规的宽表来做预测。
不过，销售额通常预测不准。过去的销售额和未来的销售额大部分情况就不相关。较长时间段（月或季）的平均额还可能还有点规律，精确到天的基本没戏。在商业场景中，预测客户对某个产品的购买率会比较准确（不过要知道客户的相关信息，这也有点难）。
想导入过去每天的数据去训练然后通过改变时间去预测当天未来几小时的绿框内的数据（消耗是随着时间越来越多的）测试的时候发现调整时间变量对其他数据不产生影响要怎么解决呢
把这个表变成更宽的表。以某个时刻点准（比如 10:30), 表结构拉宽成这样：过去 0 分钟的消耗、过去 0 分钟的展示、…、过去 15 分钟的消耗、过去 15 分钟的展示、….
需要搞多宽，就是自己根据业务经验决定。以上这些是特征变量。目标变量是 未来 15 分钟的消耗、未来 15 分钟的展示、…、未来 30 分钟的…。
数据结构拉平之后，就可以变成常规的预测任务了。这个基本逻辑是认为，未来一段时间的这些指标和过去一段时间的这些指标有相关性。
这是一种办法，也可以把时间列的绝对值作为特征变量的标识。8:00 的…, …，8:15 的…，…去预测 10:45 的…, …, 11:00 的…，…如果业务上认为它可能按天有周期性的话，也可以这样
反正就是各种办法拉平，特征变量和目标变量都拉平，变成常规宽表再建模预测。
预测销售数据就把销售数据设为目标变量即可。
没太理解您的意思，其他数据指什么，方便的话贴张图片看看。
把历史时间段的销售额作为特征变量，比如过去 6 小时的销售额、过去 24 小时的销售额、过去 2 天的销售额、….
相当于把时间序列的数据拉成平的，至于选择哪些时间段，要看自己的的业务经验了。
然后把某个未来时间段（比如未来 6 小时，或者未来 3 天）的销售额作为目标变量。
这样可以转化成常规的宽表来做预测。
不过，销售额通常预测不准。过去的销售额和未来的销售额大部分情况就不相关。较长时间段（月或季）的平均额还可能还有点规律，精确到天的基本没戏。
在商业场景中，预测客户对某个产品的购买率会比较准确（不过要知道客户的相关信息，这也有点难）。
想导入过去每天的数据去训练
然后通过改变时间去预测当天未来几小时的绿框内的数据（消耗是随着时间越来越多的）
测试的时候发现调整时间变量对其他数据不产生影响
要怎么解决呢
把这个表变成更宽的表。以某个时刻点准（比如 10:30), 表结构拉宽成这样：
过去 0 分钟的消耗、过去 0 分钟的展示、…、过去 15 分钟的消耗、过去 15 分钟的展示、….
需要搞多宽，就是自己根据业务经验决定。
以上这些是特征变量。
目标变量是 未来 15 分钟的消耗、未来 15 分钟的展示、…、未来 30 分钟的…。
数据结构拉平之后，就可以变成常规的预测任务了。这个基本逻辑是认为，未来一段时间的这些指标和过去一段时间的这些指标有相关性。
这是一种办法，也可以把时间列的绝对值作为特征变量的标识。
8:00 的…, …，8:15 的…，…
去预测 10:45 的…, …, 11:00 的…，…
如果业务上认为它可能按天有周期性的话，也可以这样
反正就是各种办法拉平，特征变量和目标变量都拉平，变成常规宽表再建模预测。