首页
/ NeuralForecast中使用AutoTiDE模型时DataFrame格式问题的解决方案

NeuralForecast中使用AutoTiDE模型时DataFrame格式问题的解决方案

2025-06-24 16:23:12作者:薛曦旖Francesca

问题背景

在使用NeuralForecast库中的AutoTiDE模型进行时间序列预测时,许多开发者会遇到一个常见的错误:"AttributeError: 'DataFrame' object has no attribute 'temporal_cols'"。这个问题通常发生在直接使用Pandas DataFrame作为输入数据时,而实际上NeuralForecast对数据格式有特定的要求。

错误原因分析

从错误信息可以看出,程序试图访问DataFrame的temporal_cols属性,但该属性并不存在。这是因为:

  1. NeuralForecast期望数据以特定的格式组织,而不是普通的Pandas DataFrame
  2. 直接使用DataFrame时,模型无法识别哪些列是时间特征、哪些是目标变量
  3. AutoTiDE等模型需要数据通过NeuralForecast的专用接口进行处理

正确使用方法

要正确使用AutoTiDE模型,需要遵循以下步骤:

  1. 数据准备:确保数据包含时间列(ds)和目标列(y)
  2. 模型初始化:创建AutoTiDE实例
  3. NeuralForecast包装:将模型包装在NeuralForecast实例中
  4. 模型训练:使用NeuralForecast的fit方法进行训练

代码示例

import numpy as np
import pandas as pd
from neuralforecast import NeuralForecast
from neuralforecast.auto import AutoTiDE

# 1. 准备数据
dataset = pd.read_csv('BTCUSDT_5m.csv')
dataset['ds'] = pd.to_datetime(dataset['timestamp'])
dataset['y'] = dataset['close']  # 假设我们预测收盘价
dataset = dataset[['ds', 'y']]  # 至少需要这两列

# 2. 初始化模型
config = dict(max_steps=2, val_check_steps=1, input_size=12)
model = AutoTiDE(h=3, num_samples=10, cpus=1, config=config)

# 3. 创建NeuralForecast实例
nf = NeuralForecast(models=[model], freq='5min')

# 4. 训练模型
nf.fit(df=dataset)

# 5. 预测
y_hat = nf.predict()

关键注意事项

  1. 数据列名:必须包含'ds'(时间戳)和'y'(目标变量)列
  2. 频率设置:在NeuralForecast初始化时需要指定正确的频率(如'5min')
  3. 多变量支持:如果需要使用其他特征,可以保留在DataFrame中,但需要确保模型配置正确
  4. 数据清洗:确保没有缺失值,时间序列是连续的

高级用法

对于更复杂的场景,如使用外部变量:

# 包含外部变量的例子
dataset = dataset[['ds', 'y', 'open', 'high', 'low', 'volume']]

# 配置模型使用外部变量
model = AutoTiDE(h=3, 
                num_samples=10, 
                cpus=1, 
                config=config,
                futr_exog_list=['open', 'high'],  # 未来已知的外部变量
                hist_exog_list=['volume'],  # 历史外部变量
                stat_exog_list=['low'])  # 静态外部变量

nf = NeuralForecast(models=[model], freq='5min')
nf.fit(df=dataset)

总结

NeuralForecast库提供了强大的时间序列预测能力,但使用时需要注意其特定的数据格式要求。通过将模型包装在NeuralForecast实例中,并正确配置数据格式,可以避免"temporal_cols"属性错误,顺利实现时间序列预测任务。对于初学者来说,从简单的单变量预测开始,逐步扩展到多变量和复杂场景是一个推荐的学习路径。

登录后查看全文
热门项目推荐
相关项目推荐

热门内容推荐

项目优选

收起
kernelkernel
deepin linux kernel
C
22
6
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
153
1.98 K
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++
505
42
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
8
0
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
194
279
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
992
395
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
938
554
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
333
11
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
146
191
金融AI编程实战金融AI编程实战
为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Python
75
70