Microsoft Cloud Machine Learning Service引入了时间序列推荐的新功能，包括新的预测功能，滚动原点交叉验证和时间窗口聚合。除了减少预测模型中可能出现的错误之外，还应用新模型功能以提高预测准确性。
物联网的应用经常遇到训练和预测数据之间的差距，这使得训练的模型变得不准确。微软解释说，数据变化应反映在模型培训中，但适用于物联网等高频应用。传感器的数据不断变化，受外部影响很大，因此实时重新训练模型是不切实际的。新预测功能允许fun88用户添加最近的预测上下文，自动校正由数据切片引起的模型预测误差，并内插必要的训练和预测上下文。
在时间序列数据验证中，Microsoft为用户提供时间序列交叉验证。微软表示，交叉验证是衡量和减少模型抽样误差的重要程序。但是，当数据分区（分区）不考虑时间因素时，可能会导致预测错误，因为在时间序列数据上，必须确保测试数据只能使用过去的值。
使用时间序列交叉验证作为评估时间序列数据的机器学习标准方法，使用原始时间点（原点时间点）来剪切训练和验证数据，并通过滑动原始时间生成交叉验证折叠。指向确保正确的数据。订购。时间序列交叉验证会自动应用于预测功能，用户只需传递培训和验证数据，以及要交叉验证的折叠数。
在时间序列推荐函数中，还添加了Lags和时间窗口聚合以提高预测的准确性。在Azure机器学习服务中的自动机器学习中，用户现在可以将目标滞后指定为模型的特征并设置数据。滞后时间间隔的长度。此外，用户可能需要设置时间窗口来聚合时间窗口中的值，这对于预测能量需求的应用程序尤其有用。用户可以将时间窗口设置为三天，具有不同的影响因素。纳入考虑因素。 Microsoft提到滞后和累积功能提供了额外的数据特征，因此提高了模型的准确性。