在Darts项目中处理预测时目标变量不可用的技术方案

背景介绍

在时间序列预测项目中，我们经常会遇到目标变量滞后的问题。具体表现为：在预测时刻，我们只能获取到特征变量(x1,x2,x3等)的最新值，而目标变量(y)的最新值需要经过较长时间(如几周)才能获得。这种场景给模型训练带来了特殊挑战。

问题分析

传统的时间序列预测模型(如TSMixer)通常需要同时使用历史特征变量和历史目标变量作为输入。但在上述场景中，目标变量在预测时刻是不可用的，这导致两个关键问题：

1. 训练时模型会学习依赖历史目标变量，而预测时这些变量不可用
2. 目标变量的可用时间不固定，难以通过简单的时移(shift)操作解决

解决方案

方案一：使用回归模型

Darts提供的回归模型(RegressionModel)可以完全忽略目标变量的历史值，仅使用协变量进行预测：

model = RegressionModel(
    lags=None,
    lags_past_covariates=6,
    output_chunk_length=6
)
model.fit(target, past_covariates=past_cov)

这种方法的优点是实现简单，缺点是可能损失目标变量中的时序信息。

方案二：定制TSMixer模型

对于需要保持TSMixer模型结构的情况，可以通过子类化修改模型实现：

1. 创建自定义模块类，重写forward方法忽略目标输入
2. 创建自定义模型类，返回自定义模块实例

class _CustomTSMixerModule(_TSMixerModule):
    def __init__(self, **kwargs):
        self.input_target_dim = kwargs["input_dim"]
        kwargs["input_dim"] = 0
        super().__init__(**kwargs)

    @io_processor
    def forward(self, x_in):
        x_past, x_future, x_static = x_in
        x_past = x_past[:, :, self.input_target_dim:]
        return super().forward.__wrapped__(self, (x_past, x_future, x_static))

class CustomTSMixerModel(TSMixerModel):
    def _create_model(self, train_sample):
        # 原始参数计算逻辑
        return _CustomTSMixerModule(**params)

方案三：修改数据集

另一种思路是在数据加载阶段就过滤掉目标变量：

class StrippedMixedCovariatesSequentialDataset(MixedCovariatesSequentialDataset):
    def __getitem__(self, idx):
        vals = list(super().__getitem__(idx))
        vals[0] = vals[0]*0  # 清零目标变量
        vals[2] = vals[2]*0  # 清零历史未来协变量
        return tuple(vals)

技术要点

1. 输入张量结构：在Darts中，目标变量总是位于输入张量的起始位置
2. 预测时处理：需要将目标变量设为NaN或零值
3. 可逆变换：当忽略目标变量时，不能使用可逆实例标准化

最佳实践建议

1. 对于简单场景，优先考虑使用RegressionModel
2. 需要保持特定模型结构时，采用子类化方案
3. 在资源受限情况下，可以考虑数据集过滤方案
4. 无论采用哪种方案，都需要确保预测时的输入结构与训练时一致

总结

处理预测时目标变量不可用的问题是时间序列预测中的常见挑战。Darts项目提供了多种灵活的解决方案，开发者可以根据具体需求选择最适合的方法。理解这些技术方案的原理和实现细节，将有助于在实际项目中做出更合理的技术决策。