对于我的一位客户，我需要用简单的语言解释全局模型的概念。到目前为止，搜索对该概念的简单介绍都失败了。我能找到的只是科学研究，主要是关于它们相对于本地模型的优势。
我需要解释的是与本地模型相比它如何工作的基本功能。我知道它基本上是相同的功能，只是我要将它适合一组时间序列而不是单个时间序列。因此，如果我有一组 100 个时间序列并想要预测接下来的 24 个月，我需要使用本地模型（每列）进行 100 次迭代，而使用全局模型只需要 24 次迭代（每个预测月）。
就数据对象和循环函数而言，这种全局预测究竟是如何发生的？我想解释一下，为什么它比本地模型快得多，以及为什么建议对相似时间序列组的集群进行预测，以实现更高的准确性。
请分享一些见解或一些好的在线参考资料
如果您想为您的客户取得出色的成果，您需要本地和全球模型。
客户应主要了解预测的可靠性、置信区间及其背后的风险。
有一些算法可以估计预测的可靠性。他们可以轻松选择在特定情况下最好的模型。
由于季节性或重复行为，一些局部模型可能具有更好的可靠性。由于与其他变量的相关性或反相关性（有时有延迟），一些全局模型可能具有更好的可靠性。
预测可靠性算法为每个模型打分，客户会使用得分较高的模型。
因此，为了最大化收益，您需要首先拥有本地和全球模型。混合这两种东西的复杂模型可能不太有效，应该在第二阶段考虑。
然后，通过具体的例子，全局模型的兴趣是非常明显的。许多现实世界的时间序列与天气或任何其他环境影响有关。
应用相关热图向客户展示哪些是相关特征，哪些是反相关的，以选择最相关的特征总是很有趣的。如果您将相关性分析应用于许多特征，您可能会检测到人类无法检测到的令人惊讶的相关性。那些没有或几乎没有相关性的可以被丢弃。
一些工具，如降维（t-SNE、UMAP 等）和解释性白框可能会让客户相信全局方法，并可以解释变量之间的相关性。
总之，最佳方法将使用多个全局和局部模型，使用可靠性和可解释性工具来增加理解，做出更好的决策并改进模型。