如何解决具有多个时间序列的分类问题？

Question

我试图建立一个信用违约预测模型。 我有一个超过20000名客户的数据集，其特点是他们过去几年的付款≤24个月

数据集如下所示：

           Month_1.      Month_2.      Month_3.     ....   Month_n.
Customer_1.   10             5             0                    4
Customer_2.    6            20            10                    4
Customer_3.    8            40           NaN                  NaN
...
Customer_m.   14           100            12                    8

我的问题是这是否是一个时间序列问题，以及如何使用机器学习策略来解决它

一些挑战包括：

• 时间序列在客户之间不同步，即客户之间的月份不相同，即客户的月份可以是2月，客户的月份可以是4月

• 跨客户的时间序列可以具有不同的长度（例如，客户1可能有18个月的数据，客户2可能有3个月的数据

• 如何解释可能完全不相关的时间序列中的趋势和季节性（即客户1的行为独立于客户2的行为，因此趋势可能非常不同）

到目前为止，我一直在为每个客户的付款创建汇总统计数据，因此将数据集转换为：

             mean.      std.      pct_change.     
Customer_1.   20       3.4             0.5                   
Customer_2.   10       3.0            0.01
...
Customer_m.   30       1.5             0.2

然后我考虑应用异常检测算法（例如隔离林）对违约者/非违约者进行分类

这是一种正确的方法，还是应该考虑每个客户时间序列中的季节性因素

如果应该考虑每个客户的时间序列，如何在整个数据集中系统地进行

如果有人能给我一些关于如何进行的提示，我将不胜感激。非常感谢