sktime项目中递归预测器的缺失值填充增强方案

摘要

本文探讨了sktime时间序列预测库中RecursiveReductionForecaster组件的功能增强方案，重点介绍了如何通过集成预测器来进行缺失值填充的技术实现。该方案显著提升了处理复杂缺失值模式的能力，为时间序列预测任务提供了更灵活的解决方案。

背景

在时间序列预测领域，处理缺失值是常见且具有挑战性的任务。sktime库中的RecursiveReductionForecaster组件目前采用简单的填充方法（如前向填充、后向填充）处理缺失值，虽然实用但缺乏对复杂时间序列模式的适应性。

技术方案

我们提出在RecursiveReductionForecaster中集成预测器进行缺失值填充的增强方案：

1. 预测器参数扩展：在初始化方法中新增forecaster参数，允许用户指定用于缺失值填充的预测器模型。

2. 动态填充逻辑：根据是否提供预测器参数，智能选择填充策略：

   • 当提供预测器时，使用"forecaster"方法初始化Imputer
   • 未提供预测器时，回退到原有的简单填充方法

3. 实现细节：通过修改__init__方法添加预测器参数，并在拟合过程中动态配置Imputer组件。

技术优势

1. 灵活性提升：用户可根据数据特性选择最适合的填充策略，从简单方法到复杂预测模型。

2. 预测精度改善：对于具有复杂模式的时间序列，使用预测器填充通常比简单方法能更好地捕捉数据特征。

3. 兼容性保障：保持向后兼容，不影响现有代码的运行。

实现示例

class RecursiveReductionForecaster(BaseForecaster, _ReducerMixin):
    def __init__(
        self,
        estimator,
        window_length=10,
        impute_method="bfill",
        pooling="local",
        forecaster=None,
    ):
        self.window_length = window_length
        self.estimator = estimator
        self.impute_method = impute_method
        self.pooling = pooling
        self._lags = list(range(window_length))
        self.forecaster = forecaster
        super().__init__()

应用建议

1. 简单场景：数据缺失较少且模式简单时，仍可使用传统填充方法。

2. 复杂场景：当数据具有明显季节性、趋势性等复杂模式时，建议使用专门的预测器进行填充。

3. 模型选择：填充预测器应与主预测任务协调，避免引入不必要的信息泄露。

总结

该增强方案为sktime用户提供了更强大的缺失值处理能力，特别适合处理具有复杂模式的时间序列数据。通过灵活集成预测器进行填充，可以显著提升预测模型的整体性能，同时保持框架的易用性和兼容性。