Time-Series-Library 项目中的自定义数据集训练指南

数据集准备

在Time-Series-Library项目中训练自定义数据集，首先需要按照项目规范整理数据。项目采用标准的时间序列数据格式，要求数据以特定结构组织。

数据格式要求

自定义数据集需要满足以下基本格式：

1. 时间维度：数据应包含时间戳或时间序列索引
2. 特征维度：每个时间点可以包含多个特征
3. 目标变量：明确指定预测目标

建议将数据组织为二维表格形式，其中行代表时间点，列代表不同特征。第一列通常为时间戳，后续列为各类特征值，最后一列为目标变量。

数据预处理步骤

1. 缺失值处理：检查并填补数据中的缺失值
2. 异常值检测：识别和处理异常数据点
3. 归一化/标准化：对数据进行尺度统一
4. 时间对齐：确保所有时间序列具有相同的时间分辨率
5. 序列分割：将长序列分割为适合模型输入的固定长度片段

模型训练流程

1. 将处理好的数据放入项目指定的数据目录
2. 修改配置文件以指定自定义数据集路径
3. 设置模型参数，包括：
   • 输入窗口大小
   • 预测步长
   • 批处理大小
   • 训练轮次
4. 启动训练过程
5. 监控训练指标并调整超参数

注意事项

1. 确保训练集、验证集和测试集的划分合理
2. 对于小样本数据集，考虑使用数据增强技术
3. 注意过拟合问题，适当使用正则化方法
4. 保存训练过程中的最佳模型

性能评估

训练完成后，应在独立的测试集上评估模型性能。常用的时间序列预测评估指标包括：

• 均方误差(MSE)
• 平均绝对误差(MAE)
• 平均绝对百分比误差(MAPE)
• 对称平均绝对百分比误差(SMAPE)

通过以上步骤，用户可以在Time-Series-Library项目中成功训练自己的时间序列预测模型。