Darts时间序列预测中的分位数计算方法解析

概述

在时间序列预测中，分位数预测是一种重要的概率性预测方法，它能够提供预测值的不确定性范围。Darts作为一个强大的时间序列分析库，提供了多种获取分位数预测结果的方式。本文将详细介绍在Darts中如何从概率性时间序列中获取分位数估计值。

概率性预测与分位数

当使用Darts进行概率性预测时（设置num_samples>1），模型会生成多个可能的未来场景样本。这些样本代表了预测结果的概率分布，我们可以基于这些样本来计算各种分位数。

获取分位数的基本方法

Darts提供了专门的TimeSeries.quantile()系列方法来计算分位数。这些方法会对模型生成的多个样本进行排序，然后按照标准的分位数计算公式来确定指定分位数的值。

例如，对于一个包含100个样本的概率性预测结果：

• 第50百分位数（中位数）就是排序后的第50个样本值
• 第25百分位数是排序后的第25个样本值
• 第75百分位数是排序后的第75个样本值

使用分位数回归模型

对于支持似然函数的模型（包括部分回归模型和所有基于PyTorch的神经网络预测模型），当选择分位数回归作为似然函数时，可以直接获取预测的分位数值。

在这种情况下，调用预测方法时设置predict_likelihood_parameters=True，返回的TimeSeries将不再是概率性的（num_samples=1），而是直接将预测的分位数作为额外的列或组件包含在结果中。

实际应用示例

假设我们已经使用Darts训练了一个概率性预测模型，并生成了100个预测样本。要获取特定分位数的预测结果，可以：

1. 使用historical_forecasts()方法生成概率性预测序列
2. 对结果调用quantile()方法计算所需分位数
3. 将分位数结果用于后续分析或可视化

这种方法特别适用于需要了解预测不确定性的场景，如风险管理和决策支持系统。

总结

Darts提供了灵活而强大的分位数计算功能，无论是通过后处理概率性预测样本，还是直接使用分位数回归模型。理解这些方法的适用场景和实现原理，能够帮助数据科学家更好地评估预测结果的不确定性，为业务决策提供更全面的信息支持。