Darts时间序列预测库中残差计算的原理与实践

残差计算的技术背景

在时间序列分析领域，残差（Residuals）是指模型预测值与实际观测值之间的差异。对于预测模型的质量评估和诊断，残差分析是不可或缺的重要环节。Darts作为统一的时间序列预测框架，其残差计算机制体现了对多种模型类型的兼容性考虑。

Darts的残差计算设计哲学

Darts采用统一API设计原则，主要基于以下技术考量：

1. 模型兼容性：不同预测模型（如PyTorch模型、回归模型等）对拟合值的支持程度不同，部分模型无法直接输出样本内残差
2. 功能扩展性：除简单残差外，系统还支持历史模拟重应用产生的残差、多步预测残差等高级功能
3. 计算优化：对于全局预训练模型，系统采用优化例程加速历史预测生成

残差计算的技术实现

Darts通过residuals()方法实现残差计算，其核心流程包含三个技术阶段：

1. 历史预测生成阶段：

   • 使用historical_forecasts方法生成历史预测序列
   • 支持通过参数配置预测生成方式（采样数、训练长度、预测步长等）

2. 回测计算阶段：

   • 采用"按时间步"的度量标准比较预测值与实际值
   • 默认使用误差函数(err)作为基础度量指标

3. 结果输出阶段：

   • 生成与历史预测时间索引对齐的时间序列对象
   • 支持直接输出数值数组的简化格式

高级应用技巧

对于特定模型类型，开发者可以通过以下方式优化残差获取：

1. 直接访问底层模型：通过ForecastingModel.model属性获取训练后的原生模型对象
2. 全局模型加速：利用预训练模型的优化计算路径
3. 多维度分析：支持对多元时间序列的每个分量单独计算残差

最佳实践建议

1. 对于大规模数据，建议优先使用全局模型以获得更好的计算性能
2. 诊断模型时，可结合不同时间步的残差分布进行分析
3. 在模型对比场景下，保持统一的残差计算参数确保结果可比性

通过这种设计，Darts在保持API简洁性的同时，为各类时间序列预测模型提供了灵活且一致的残差分析能力。