首页
/ Darts时间序列库中静态协变量与动态协变量的正确使用方式

Darts时间序列库中静态协变量与动态协变量的正确使用方式

2025-05-27 18:32:25作者:温艾琴Wonderful

概述

在使用Darts时间序列库进行预测建模时,协变量的处理是一个关键环节。本文将详细介绍静态协变量(static covariates)和动态协变量(未来协变量future covariates/过去协变量past covariates)的区别,以及如何在Darts中正确使用它们。

协变量类型区分

在时间序列预测中,协变量可以分为两大类:

  1. 静态协变量:这些特征在整个时间序列中保持不变,例如气象站ID、设备型号等固有属性。它们不随时间变化。

  2. 动态协变量:这些特征随时间变化,又分为:

    • 未来协变量:未来已知或可预测的特征,如小时、季度、星期几等
    • 过去协变量:仅历史已知的特征

常见误区

许多用户容易混淆静态协变量和动态协变量的使用场景。一个典型错误是试图将小时、季度等随时间变化的特征作为静态协变量传入。这些实际上是动态协变量,应该作为未来协变量处理。

正确使用方法

动态协变量处理

对于小时、月份等周期性特征,推荐使用Darts提供的datetime_attribute_timeseries工具函数生成:

from darts import TimeSeries
from darts.utils.timeseries_generation import datetime_attribute_timeseries

# 生成月份和小时特征(使用one-hot编码)
month_series = datetime_attribute_timeseries(
    pd.date_range(start=start_time, end=end_time, freq="H"), 
    attribute="month", 
    one_hot=True
)
    
hour_series = datetime_attribute_timeseries(
    pd.date_range(start=start_time, end=end_time, freq="H"),
    attribute="hour", 
    one_hot=True
)

# 合并多个协变量
ts_covariates = month_series.stack(hour_series)

多时间序列处理

当处理多个相关时间序列(如多个气象站数据)时,可以使用from_group_dataframe方法批量创建:

# 创建目标序列(多个气象站)
target_series = TimeSeries.from_group_dataframe(
    df,
    group_cols="station_id",  # 按气象站分组
    time_col='dt',            # 时间列
    value_cols=['temperature', 'pressure']  # 目标变量
)

# 创建对应的协变量序列
future_covariates = TimeSeries.from_group_dataframe(
    df,
    group_cols="station_id",
    time_col='dt',
    value_cols=['hour', 'quarter', 'dayofyear']  # 协变量
)

静态协变量的特殊处理

真正的静态协变量(如气象站ID)会被自动添加为静态属性。需要注意的是,如果静态协变量是分类变量,需要进行适当的编码转换(如one-hot编码或标签编码)才能被模型使用。

最佳实践建议

  1. 仔细区分特征的时效性:判断特征是静态不变的还是随时间变化的

  2. 对于周期性时间特征,使用Darts内置工具生成,可以确保时间对齐

  3. 多序列处理时,保持目标序列和协变量序列的顺序一致性

  4. 分类型静态协变量需要进行适当的数值化处理

通过正确理解和使用Darts中的协变量功能,可以显著提升时间序列预测模型的性能,特别是在处理具有丰富上下文信息的复杂时间序列数据时。

登录后查看全文
热门项目推荐
相关项目推荐

项目优选

收起
kernelkernel
deepin linux kernel
C
22
6
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
197
2.17 K
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
208
285
pytorchpytorch
Ascend Extension for PyTorch
Python
59
94
RuoYi-Vue3RuoYi-Vue3
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
973
574
nop-entropynop-entropy
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
ops-mathops-math
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
549
81
openHiTLSopenHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.02 K
399
communitycommunity
本项目是CANN开源社区的核心管理仓库,包含社区的治理章程、治理组织、通用操作指引及流程规范等基础信息
393
27
MateChatMateChat
前端智能化场景解决方案UI库,轻松构建你的AI应用,我们将持续完善更新,欢迎你的使用与建议。 官网地址:https://matechat.gitcode.com
1.2 K
133