文章来源：https://zhuanlan.zhihu.com/p/24236567

注：复制的文档中，图片没能复制过来，如需了解详情，请看原文。

作为forecast包与xgboost包的重度依赖者，最近看到整合两家之长的forecastxgb包甚是兴奋，便忍不住翻译forecastxgb包的一些时间序列预测例子与大家交流。

目前forecastxgb包还在不断完善中，有兴趣的朋友可以通过以下语句下载试用：

(一). 核心函数xgbar():

forecastxgb使用xgboost算法(简称xgb)，基于自回归(autoregression，简称ar)的思路，通过核心函数xgbar()，以因变量Y的滞后项(Yt-1,…Yt-n)以及自变量X及其滞后项(Xt-1…Xt-n)来预测Y值：

(二). 不同Y的季节性特征处理方法出现不同情况：

除了有滞后项外，预测变量集会因参数sea_method的设定而出现不同情况：

当seas_method = ‘none’时，不对Y做季节性特征处理，因此不出现Y的季节性特征变量；当seas_method = ‘decompose’时，会对Y进行季节性分解，并用处理后获得的Y'值作为因变量，因此也不会出现Y的季节性特征变量。

但当seas_method = ‘dummies’ 或者 ‘fourier’时，会通过构造出表达Y的季节性特征的预测变量来参与到xgboost()的计算中，因此在预测变量集中除了滞后项外，还有额外的代表季节性特征的预测变量(如下图的紫色与橙色变量)。

以forecastxgb包自带的单变量时间序列数据集woolyrng为例，在seas_method的不同设定下，参与到xgboost()中的自变量与因变量将以以下方式呈现：

(一). 单变量时间序列

以1956年~1995年间澳洲的月度燃气产量数据集作为例：