可能是我忽略了某些显而易见的事情——当我对时间序列目标数据进行去趋势处理后，我的模型表现得更好。这很好。但是，我试图预测整个周期，而趋势确实很重要。是否有办法在获得这些更好的分数后重新构建趋势，还是说我一开始去除趋势就是自找麻烦？
保持趋势不变的平均绝对误差在0.001-0.003的范围内，去除趋势后的分数约为0.0001
回答：
请提供更多信息。你使用的是哪种模型？你能提供一个时间序列的示例吗，例如 pd.Series(data=[100,110,120,130,140])？你是否检查了过拟合，即你的模型在当前数据集上表现良好，但是一旦有新数据进来，它的表现就非常差。你的时间序列真的有趋势，还是说它基本上是横向移动的（从图表上看）？
你还可以结合不同的模型，例如，线性模型可能是模拟趋势的好选择。一旦你实现了线性趋势模型，你可以添加另一个模型来尝试预测线性趋势模型的错误之处。实际上，你可以添加一个随机森林算法来预测线性模型的残差。得到这两个模型后，你可以简单地将两个模型的预测结果相加。线性模型用于预测总体趋势，随机森林用于尝试预测季节性变化。
你还可以考虑一些天生能够识别季节性的模型，例如ARIMA模型。
