NeuralForecast项目中AutoModels外生变量配置指南

概述

在时间序列预测领域，NeuralForecast作为一个强大的深度学习预测库，提供了AutoModels功能来自动调参。然而，许多用户在尝试为模型配置外生变量(exogenous features)时遇到了困惑。本文将详细介绍如何在NeuralForecast的AutoModels中正确配置和使用外生变量。

外生变量配置方法

在NeuralForecast中，外生变量分为两类：历史外生变量(hist_exog_list)和未来外生变量(futr_exog_list)。用户可以通过以下两种方式配置：

1. 固定值配置：直接指定外生变量列表

config = {
    "hist_exog_list": ['feature1', 'feature2'],
    "futr_exog_list": ['future_feature1']
}

2. 调参配置：让AutoModels自动选择最优的外生变量组合

config = {
    "hist_exog_list": tune.choice([['feature1'], ['feature2'], ['feature1', 'feature2']]),
    "futr_exog_list": tune.choice([[], ['future_feature1']])
}

常见问题与解决方案

类型错误问题

当仅配置hist_exog_list或futr_exog_list中的一个时，可能会遇到类型错误：

TypeError: can only concatenate tuple (not "list") to tuple

解决方案：

1. 同时配置两个变量列表，即使其中一个为空：

config = {
    "hist_exog_list": ['feature1', 'feature2'],
    "futr_exog_list": []  # 显式声明空列表
}

2. 或者从GitHub安装最新版本，该问题已在#851修复

实现原理

在底层实现上，NeuralForecast会检查时间序列列名与外生变量列表的交集：

set(temporal_cols.tolist()) & set(self.hist_exog_list + self.futr_exog_list)

这就要求两个外生变量列表必须都是可迭代的类型(list或tuple)。在最新版本中，框架已对此进行了类型强制转换处理。

最佳实践建议

1. 明确区分变量类型：清楚区分哪些是历史外生变量，哪些是未来可知的外生变量

2. 完整配置：即使不使用某类外生变量，也建议显式配置为空列表

3. 版本控制：建议使用最新版本的NeuralForecast以避免已知的类型问题

4. 参数调优：可以像调优其他超参数一样，让AutoModels自动选择最优的外生变量组合

通过正确理解和配置外生变量，用户可以充分利用NeuralForecast的AutoModels功能，构建更加强大和准确的时间序列预测模型。