NeuralForecast中实现滚动窗口预测的技术方案

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。