首页
/ NeuralForecast中实现滚动窗口预测的技术方案

NeuralForecast中实现滚动窗口预测的技术方案

2025-06-24 02:00:16作者:卓炯娓

概述

在时间序列预测领域,NeuralForecast作为Nixtla推出的深度学习预测库,提供了强大的预测能力。本文将详细介绍如何在NeuralForecast中实现滚动窗口预测的技术方案,解决当测试集长度远大于模型设定的预测范围(h)时的预测挑战。

问题背景

在实际应用中,我们经常会遇到这样的情况:模型被训练为预测短期范围(如7天),但需要在更长的测试集(如30天)上进行预测。直接设置h=30会导致内存不足等问题,而传统的测试集分割方法又无法满足需求。

递归预测解决方案

NeuralForecast提供了递归预测的方法来实现滚动窗口预测。其核心思想是将模型的预测结果作为下一步预测的输入,逐步扩展预测范围。

实现步骤

  1. 确定预测参数

    • 定义完整预测范围(full_horizon)
    • 计算需要进行的预测次数(n_predicts)
  2. 初始化数据

    • 使用训练数据作为初始输入
  3. 循环预测

    • 每次预测模型设定的h步
    • 将预测结果追加到历史数据中
    • 重复直到覆盖完整预测范围

代码实现

import math
import pandas as pd

# 设置预测参数
full_horizon = 200  # 完整预测范围
n_predicts = math.ceil(full_horizon / model.h)  # 计算预测次数

# 初始化数据
combined_train = train.copy()
forecasts = []

# 递归预测循环
for _ in range(n_predicts):
    # 进行单步预测
    step_forecast = probabilistic_nhits.predict(df=combined_train, futr_df=test)
    forecasts.append(step_forecast)
    
    # 重命名预测列为目标变量名
    step_forecast = step_forecast.rename(columns={your_model_name: 'y'})
    
    # 将预测结果追加到历史数据中
    combined_train = pd.concat([combined_train, step_forecast])

# 合并所有预测结果
final_forecast = pd.concat(forecasts)

多模型处理方案

当NeuralForecast对象包含多个模型时,需要分别处理每个模型:

  1. 遍历models属性获取单个模型
  2. 对每个模型单独执行递归预测
  3. 合并各模型的最终预测结果

实际应用建议

  1. 内存管理:对于高频数据(如15分钟间隔),注意控制每次预测的范围,避免内存溢出
  2. 误差累积:递归预测可能导致误差累积,建议定期用真实值重置预测序列
  3. 性能优化:可以考虑并行化处理多个模型的预测过程

总结

通过递归预测方法,NeuralForecast可以灵活地实现任意长度的滚动窗口预测,突破了模型原始h参数的限制。这种技术方案特别适合需要长期预测但受限于计算资源的应用场景,为时间序列预测提供了更大的灵活性。

登录后查看全文
热门项目推荐

热门内容推荐

最新内容推荐

项目优选

收起
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
178
262
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
866
513
ShopXO开源商城ShopXO开源商城
🔥🔥🔥ShopXO企业级免费开源商城系统,可视化DIY拖拽装修、包含PC、H5、多端小程序(微信+支付宝+百度+头条&抖音+QQ+快手)、APP、多仓库、多商户、多门店、IM客服、进销存,遵循MIT开源协议发布、基于ThinkPHP8框架研发
JavaScript
93
15
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
129
183
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
261
302
kernelkernel
deepin linux kernel
C
22
5
cherry-studiocherry-studio
🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端
TypeScript
598
57
CangjieCommunityCangjieCommunity
为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
1.07 K
0
HarmonyOS-ExamplesHarmonyOS-Examples
本仓将收集和展示仓颉鸿蒙应用示例代码,欢迎大家投稿,在仓颉鸿蒙社区展现你的妙趣设计!
Cangjie
398
371
Cangjie-ExamplesCangjie-Examples
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
332
1.08 K