贝叶斯方法的变量选择，用来做时序预测还挺有一套的。Bayesian Variable Selection for Nowcasting Time这篇 KDD 2013 的论文，用的是稀疏贝叶斯回归那一挂的思路，高维数据时挺灵活。里面的数学有点硬核，但思路清晰，代码实现也不算复杂，能直接落地。

做短期预测或者临近预测（Nowcasting）的朋友，可以重点看看这篇。它的核心是：用贝叶斯框架动态选择哪些变量有用，哪些该踢掉，跟特征选择那套有点像，但更智能。适合数据量大但信息稀疏的场景，比如社交媒体、金融时间序列之类的。

如果你熟 Matlab 或者有用过贝叶斯工具包的经验，那上手这套会更快。Matlab上也有些类似的资源，比如 贝叶斯工具包 和 稀疏贝叶斯程序，配合来看更清楚。

哦对了，还有个挺有意思的应用：贝叶斯追凶模型，虽然不是时序预测，但思路类似，用贝叶斯逻辑推理未知事件。蛮适合扩展思路。

总结一句，如果你正在搞动态预测、数据维度又多，想要一个不那么“死板”的特征选择方式，试试这篇。搭配点实战代码，更有感觉。