P6 机器学习预测 / Machine-Learning Forecasting

合成数值教学例；不是对应论文的数据或结果复现。

1. 先固定预测任务
教学例子用温度预测需求，前八天训练，后四天测试。
日期分界先确定，测试目标在训练时保持隐藏。

2. 只用训练数据学习
本例采用两个最近邻的平均值作为预测规则。
对一个新温度，找到训练集中最接近的两个温度，再平均对应需求。

3. 对未来样本作预测
现在输入测试期温度，模型输出四个需求预测。
整个过程没有读取这四天的真实需求。

4. 与简单基准比较
揭晓测试目标后，同时计算最近邻模型和末值基准的平均绝对误差。
只有在同一测试集上比较，才能判断这次复杂一点的方法是否有帮助。

5. 泛化比训练拟合更重要
这个小例子不是完整城市预测模型，也不说明机器学习总会更好。
真实任务要防时间泄漏，并检查新地区、新时段和异常条件下的表现。

方法概述来源：作者28种方法草案。方法与应用参考文献见对应方法页。