Python Tensorflow：预测时间序列预测中的增长因子

我正在开发一个应用程序，使用罐装估计器

tf.Estimator.DNNRegressor

    estimator = tf.estimator.DNNRegressor(
        feature_columns=my_feature_columns,
        hidden_units=hidden_units, 
        model_dir=model_dir, 
        optimizer=tf.train.ProximalAdagradOptimizer(learning_rate=0.01,
                                                l1_regularization_strength=0.001))

我使用的功能基本上是基于日期和时间的。例如，我的培训数据中的

csv

文件如下所示

year,month,day,weekday,isweekend,hr,weeknum,yearday,orders
2018,7,16,2,0,0,29,197,193
2018,7,16,2,0,1,29,197,131
2018,7,16,2,0,2,29,197,77
2018,7,16,2,0,3,29,197,59
.....

其中“订单”列是模型的目标

到目前为止，我得到的模型运行良好，但当我预测像黑色星期五这样的高需求日时，它被低估了。例如，在下图中，我们可以看到，对2018年黑色星期五的预测（虚线）并没有我们直觉预期的那么高，尽管它很好地预测了形状

---

综上所述，如果您能向我的模型中添加任何建议，我将不胜感激，这样它就可以正确预测增长因子，而不仅仅是趋势。

这是一个时间序列问题，因此您最好使用

tf.contrib.timeseries.ARRegressor

（专为时间序列构建的神经网络）或者

tf.contrib.timeseries.StructuralEnsembleRegressor

（时间序列状态空间模型-它）比一般的神经网络

这两个模型都采用了一个外生的参数，你可以用0来填充正常天数，用1来填充黑色星期五之类的事件天数。这将解决预测不足的问题，因为否则模型会将这些峰值视为异常值（即使使用通用神经网络也可以做到这一点——使用特定于时间序列的函数编写代码更容易）

更一般地说，除了tensorflow之外，我还推荐其他用于时间序列预测的工具，比如Facebook Prophet或Statsmodels包

---

我会进一步建议您不要使用Python，而是使用R中提供的一些预测包。

谢谢Alex。事实上，我对你的最后一句话很感兴趣。我能感觉到一些对Python的抵触情绪（只是一种意见），我想听听更多关于为什么你不推荐使用Python的问题，如果可能的话。@zeellos“我能感觉到一些对Python的抵触情绪”——就编程语言而言，实际上，我更喜欢Python而不是R。只是R中可用于时间序列分析的工具数量比Python中的工具要成熟和广泛得多。@zeellos-我在所有时间序列建模中都使用R，一些同行建议我通过Keras/Tensorflow研究RNN。我想知道您在Keras/TF中使用Python的经验与Prophet相比是什么样的？我在网上没有发现两者之间的比较，我想了解更多关于两者比较的信息。