Darts项目中多变量时间序列数据的预处理与标准化方法

概述

在时间序列预测项目中，正确处理多变量数据是构建有效模型的关键步骤。本文将详细介绍如何使用Darts库对包含目标变量和多个协变量的时间序列数据进行预处理和标准化，特别关注训练集、验证集和测试集的划分策略。

数据准备

首先需要将原始数据转换为Darts库能够处理的TimeSeries对象。常见的数据准备步骤包括：

1. 读取CSV文件并解析时间戳列
2. 设置时间戳为索引
3. 明确区分目标变量和协变量列

import pandas as pd
from darts import TimeSeries

# 读取数据并设置时间索引
df = pd.read_csv('data.csv')
df['Timestamp'] = pd.to_datetime(df['Timestamp'])
df.set_index('Timestamp', inplace=True)

# 定义目标变量和协变量
target_column_names = ['chlorophyll']
covariate_columns_names = ['TEM', 'PH', 'DO', 'conductivity', 'turbidity', 'PV', 'AN', 'TP', 'TN']

# 转换为TimeSeries对象
target_series = TimeSeries.from_dataframe(df, value_cols=target_column_names, freq='H')
covariate_series = TimeSeries.from_dataframe(df, value_cols=covariate_columns_names, freq='H')

数据集划分策略

合理划分数据集对于评估模型性能至关重要。推荐采用以下划分比例：

• 训练集：80%
• 验证集：10%
• 测试集：10%

# 定义划分比例
train_ratio = 0.8
val_ratio = 0.1
test_ratio = 0.1

# 目标变量划分
train_target, temp_target = target_series.split_before(train_ratio)
val_target, test_target = temp_target.split_before(val_ratio / (1 - train_ratio))

# 协变量划分
train_covariates, temp_covariates = covariate_series.split_before(train_ratio)
val_covariates, test_covariates = temp_covariates.split_before(val_ratio / (1 - train_ratio))

数据标准化处理

标准化是时间序列预测中的重要预处理步骤，可以确保不同尺度的变量对模型有同等的影响。

目标变量标准化

from darts.dataprocessing.transformers import Scaler
from darts import concatenate

# 初始化标准化器
scaler_target = Scaler()

# 对整个序列进行标准化（可选）
target_scaled = scaler_target.fit_transform(target_series)

# 对划分后的数据集进行标准化
train_target_scaled = scaler_target.fit_transform(train_target)
val_target_scaled = scaler_target.transform(val_target)
test_target_scaled = scaler_target.transform(test_target)

# 合并训练集和验证集用于模型训练
model_target_scaled = concatenate([train_target_scaled, val_target_scaled])

协变量标准化

对于多变量协变量，Darts的Scaler会独立处理每个变量：

scaler_covariates = Scaler()

# 协变量标准化
train_covariates_scaled = scaler_covariates.fit_transform(train_covariates)
val_covariates_scaled = scaler_covariates.transform(val_covariates)
test_covariates_scaled = scaler_covariates.transform(test_covariates)

# 合并数据集
model_covariates_scaled = concatenate([train_covariates_scaled, val_covariates_scaled])
all_covariates_scaled = concatenate([model_covariates_scaled, test_covariates_scaled])

多变量协变量的处理

当需要添加更多协变量时，可以通过stack或concatenate方法组合它们：

1. concatenate：在时间维度上连接时间序列
2. stack：在变量维度上堆叠时间序列

# 假设有多个协变量源
past_covariates1 = TimeSeries.from_dataframe(df1, value_cols=['var1', 'var2'])
past_covariates2 = TimeSeries.from_dataframe(df2, value_cols=['var3', 'var4'])

# 方法1：在变量维度上堆叠
stacked_covariates = past_covariates1.stack(past_covariates2)

# 方法2：在时间维度上连接
concatenated_covariates = concatenate([past_covariates1, past_covariates2], axis=1)

重要提示：任何新增的协变量都必须在首次拟合Scaler之前添加，否则会因为维度不匹配而报错。

可视化验证

完成预处理后，建议可视化检查数据划分和标准化效果：

import matplotlib.pyplot as plt

train_target_scaled.plot(label="training")
val_target_scaled.plot(label="validation")
test_target_scaled.plot(label="test")
plt.show()

最佳实践建议

1. 保持一致性：确保目标变量和协变量使用相同的划分点
2. 避免数据泄露：先划分数据集再进行标准化，且只在训练集上拟合Scaler
3. 多变量处理：Darts的Scaler会自动独立处理每个变量，无需额外配置
4. 新增协变量：在模型开发过程中添加新协变量时，需要重新进行整个预处理流程

通过遵循这些步骤和原则，可以确保时间序列数据得到正确处理，为后续建模打下坚实基础。