複数の同日日付&複数のカテゴリ変数を持つ時系列データの前処理方法についてご教示頂きたいです。

Question

前提・実現したいこと

Pythonを使って機械学習を勉強しております。
時系列予測に関して前処理の方法について躓いておりますので、
お知恵を貸していただければと考えております。
※確認はしましたが、類似課題があるようであればご指摘いただけますと幸いです。

発生している問題・エラーメッセージ

以下のような時系列データを用いて機械学習を行い、将来の目的変数を予測したいと考えています。
例えば1年間の時系列データを与えて、向こう1か月間の日付別・都道府県別・店舗別の目的変数を予測したいです。

|日付|都道府県|店舗名|目的変数|
|:--|:--|:--|
2017年12月1日 | 愛知県 | A | 1 |
2017年12月1日 | 愛知県 | B | 2 |
2017年12月2日 | 愛知県 | A | 5 |
2017年12月2日 | 愛知県 | B | 5 |
2017年12月3日 | 愛知県 | A | 8 |
2017年12月3日 | 愛知県 | B | 8 |
2017年12月1日 | 静岡県 | A | 2 |
2017年12月1日 | 静岡県 | B | 3 |
2017年12月2日 | 静岡県 | A | 4 |
2017年12月2日 | 静岡県 | B | 8 |
2017年12月3日 | 静岡県 | A | 1 |
2017年12月3日 | 静岡県 | B | 1 |

統計学的な手法（SARIMA等）やLSTMを使うことを想定しておりますが、
現状はどのような機械学習手法を使うかは決定しておりません。

試したこと

ちなみに前処理の方法として以下のような方法を自分で考えてはみましたが、
あまり効率の良いやり方とは思えておりません。

手法①自分の考えとしては店舗名をget_dummiesでダミー変数化し、都道府県別のモデルを作る。
手法②都道府県・店舗名を結合し一つのカテゴリ変数にした後にダミー変数化してモデルを作成する。

恐れ入りますが、お知恵を貸していただけますと幸いです。

Answer 1

向こう1か月間の日付別・都道府県別・店舗別の目的変数を予測したい

とのことですので、

複数の同日日付&複数のカテゴリ変数を持つ時系列データの前処理方法

が課題なのではないですね。目的変数毎に分ければよいのではないでしょうか。

むしろ課題は使える説明変数が他にないかとのところです。
例示されたデータ以外は想定されていないのでしょうか（店舗のキャンペーン、天気、近隣イベント、etc）。
曜日や祝日は影響しそうでしょうか。
季節性があるのであれば前年同月か同日などを入れるのも可能性ありです。

手法①自分の考えとしては店舗名をget_dummiesでダミー変数化し、都道府県別のモデルを作る。
手法②都道府県・店舗名を結合し一つのカテゴリ変数にした後にダミー変数化してモデルを作成する。

なし、ではないですが複雑になるだけで効果が小さいかと思います。
まず、都道府県・店舗1つを選んで1つモデルを作るところからと思います。

他の説明変数がなく、曜日や祝日が影響しないのであれば自己回帰しか情報がなく、SARIMAかARIMA
での予測となると思いますが事実上予測はかなり難しいと思います（きっと過去の平均値が出るだけ）。
曜日や祝日が影響するのであれば、未来でも分かっている説明変数ですので、SARIMAやARIMAだけでなく重回帰も使えますが、分かり切った予測程度かと（土日は多いなど）。

LSTMはアルゴリズムの学習で使われるのであればよろしいと思いますが1年程度のデータですとほぼ予測できないと思います（平均値が出るだけ）

県ごとの効果と店舗ごとの効果に分けて予測するなどの複雑な手法もあり得ますがこれだけのデータですと複雑になるだけで益なしかと。

まずは説明変数を探す、シンプルなモデルで傾向を出す
ところからだと思います。