在machinelearningmastery上有一篇文章，介绍了如何从一个时间序列变量中创建一个监督学习回归类型的数据集。

例如这个：

time, measure1, 1002, 1103, 1084, 1155, 120

通过函数series_to_supervised处理数据后，可以变成下面的形式

X, y?, 100100, 110110, 108108, 115115, 120120, ?

在machinelearningmastery文章的多步或序列预测部分，series_to_supervised可以输出下面的内容：

   var1(t-2)  var1(t-1)  var1(t)  var1(t+1)2        0.0        1.0        2        3.03        1.0        2.0        3        4.04        2.0        3.0        4        5.05        3.0        4.0        5        6.06        4.0        5.0        6        7.07        5.0        6.0        7        8.08        6.0        7.0        8        9.0

我的问题是如何定义X和y的训练测试分割？我假设var1(t)会被定义为y，对吗？例如，以下定义trainX和trainy是否正确？我正在尝试

#用于时间序列X,y分解的函数train = series_to_supervised(need_to_train,11,14)#分割数据集trainX = np.array(train.drop(['var1(t)'],1))trainy = np.array(train['var1(t)'])model = XGBRegressor(objective='reg:squarederror', n_estimators=100)

回答：

不，var1(t+1)应该是目标值并作为y。整个目的就是基于当前（和过去）的数据预测未来的下一步。