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

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。