KnownForecastingModels enum

具有解釋變數的自迴歸綜合移動平均線 （ARIMAX） 模型可以視為具有一或多個自迴歸 （AR） 項和/或一或多個移動平均線 （MA） 項的多重迴歸模型。 此方法適用於數據靜態/非平穩時的預測，以及具有任何類型數據模式（即水平/趨勢/季節性/週期性）的多變量。

自動自回歸綜合移動平均線 （ARIMA） 模型使用時間序列數據和統計分析來解釋數據並做出未來預測。 該模型旨在通過使用過去值的時間序列數據來解釋數據，並使用線性回歸進行預測。

平均預測模型會透過結轉訓練資料中每個時間序列的目標值平均值來進行預測。

決策樹是一種非參數監督學習方法，用於分類和迴歸任務。 目標是建立一個模型，透過學習從資料特徵推斷的簡單決策規則來預測目標變數的值。

彈性網路是一種流行的正則化線性迴歸類型，它結合了兩種流行的懲罰，特別是 L1 和 L2 懲罰函數。

指數平滑化是單變數資料的時間序列預測方法，可以延伸以支援具有系統趨勢或季節性元件的資料。

Extreme Trees 是一種集成機器學習算法，它結合了許多決策樹的預測。 它與廣泛使用的隨機森林演算法有關。

將每週學習者轉變為強學習者的技術稱為提升。 梯度提升演算法過程基於這種執行理論。

K 最近鄰 （KNN） 演算法使用「特徵相似性」來預測新資料點的值，這進一步意味著新資料點將根據與訓練集中的點的匹配程度分配一個值。

套索模型適合最小角度回歸又名 Lars。 它是一個線性模型，使用 L1 先驗作為正則化器進行訓練。

LightGBM 是一個梯度提升框架，它使用基於樹的學習演算法。

樸素預測模型會透過結轉訓練資料中每個時間序列的最新目標值來進行預測。

Prophet 是根據加法模型來預測時間序列資料的程序，其中非線性趨勢符合每年、每週和每天的季節性，以及假日效應。 它最適合具有強烈季節性影響的時間序列和數個季節的歷史資料。 Prophet 對缺失資料和趨勢變化具有穩健性，並且通常可以很好地處理異常值。

隨機森林是一種監督學習演算法。 它構建的“森林”是決策樹的集合，通常使用“裝袋”方法進行訓練。 套袋方法的總體思想是學習模型的組合增加了整體結果。

季節性平均預測模型會結轉訓練資料中每個時間序列的最新一季資料平均值，以進行預測。

季節性樸素預測模型會透過結轉訓練資料中每個時間序列的最新季節目標值來進行預測。

SGD：隨機梯度下降是一種常用於機器學習應用的最佳化演算法，用於尋找與預測輸出和實際輸出之間最佳擬合相對應的模型參數。 這是一種不精確但強大的技術。

TCNForecaster：時間卷積網路預測器。 待辦事項：向預測團隊詢問簡要介紹。

XGBoostRegressor：Extreme Gradient Boosting Regressor 是一種使用基礎學習器集成的監督機器學習模型。