正如@10xAI 所说，基于树的梯度提升方法可能会错过时间序列的标记，因为它无法预测增长趋势。但是，我们可以将梯度提升方法应用于任何算法。你可以乱用我写的一些基于梯度提升和分解的代码：LazyProphet。代码写得不好，我认为示例数据现在会中断，但方法本身往往会产生一些不错的结果。

本质上，如果我们使用一些分段方法进行提升，我们可以在每一轮提升中获得新的变化点，并更新我们的季节性 + 外生措施。我使用二进制分割，因此它最终与变化点的野生二进制分割方法非常相似。第 0 轮“趋势”只是平均值/中位数，然后您测量季节性并将“y”设置为原始时间序列 - （趋势 + 季节性）。然后第 1 轮找到将数据分成 2 份并拟合趋势估计器的最佳点（可能是类似于树输出的平均值），然后测量季节性并将这些测量值添加到第 0 轮中找到的结果中以找到新的残差适合下一轮等等。希望这张图片能更清楚：

我确实有一个更好的书面和更通用的方法即将推出！