Darts时间序列预测中的逆变换与窗口特征处理技术解析
2025-05-27 10:06:56作者:裴锟轩Denise
引言
在时间序列预测领域,数据预处理和特征工程是构建高性能模型的关键环节。本文将以Python时间序列分析库Darts为例,深入探讨两个重要技术点:预测评估中的逆变换处理,以及基于窗口变换的特征工程方法。
预测评估中的逆变换处理
在实际应用中,我们经常需要对时间序列数据进行变换以满足模型假设或提高预测精度。常见的变换包括对数变换(log1p)等。然而,在评估预测性能时,我们需要将预测值转换回原始尺度才能进行有意义的比较。
Darts的backtest方法不会自动执行逆变换操作。这是因为该方法无法知晓用户对输入序列应用了何种变换。正确的处理流程应该是:
- 首先对原始数据应用变换
- 使用变换后的数据进行历史预测
- 对预测结果应用逆变换
- 最后在原始尺度上评估预测性能
Darts提供了两种实现方式:
手动处理方式
# 应用变换
transformed_series = series.map(np.log1p)
# 生成历史预测
hfcs = model.historical_forecasts(
series=transformed_series,
last_points_only=False
)
# 应用逆变换
hfcs = [hfc.map(np.expm1) for hfc in hfcs]
# 在原始尺度上评估
bt = model.backtest(
series=series, # 原始数据
historical_forecasts=hfcs,
last_points_only=False
)
使用Darts的数据转换器
Darts提供了更优雅的Scaler转换器,可以封装变换和逆变换逻辑:
from sklearn.preprocessing import FunctionTransformer
from darts.dataprocessing.transformers import Scaler
# 创建转换器
trafo = FunctionTransformer(np.log1p, inverse_func=np.expm1, validate=True, check_inverse=True)
sc = Scaler(scaler=trafo)
# 应用变换
series_tr = sc.fit_transform(series)
# 应用逆变换
series_inv_tr = sc.inverse_transform(series_tr)
窗口变换特征工程
窗口变换是时间序列特征工程中的重要技术,可以提取序列的统计特征作为模型输入。Darts提供了window_transform方法来实现这一功能。
滚动均值特征示例
# 计算6期滚动均值作为特征
past_covariates = series.window_transform(
transforms={
"function": "mean",
"mode": "rolling",
"window": 6,
},
)
结合预测模型使用
将窗口变换特征作为过去协变量输入模型:
rolling_lag = 12
output_chunk_length = 12
model = LinearRegressionModel(
lags=6, # 使用目标序列的最近6期
lags_past_covariates=[-rolling_lag], # 使用12期前的滚动均值特征
output_chunk_length=output_chunk_length,
)
model.fit(
series=train,
past_covariates=past_covariates
)
预测时的注意事项
需要注意的是,当预测长度超过模型的output_chunk_length时,Darts当前版本不会自动更新窗口特征。此时需要手动实现预测循环:
- 预测output_chunk_length个点
- 将预测值追加到输入序列末尾
- 基于扩展后的序列重新计算窗口特征
- 使用新序列和新特征进行下一轮预测
- 重复直到预测足够长的序列
总结
本文详细介绍了Darts库中两个关键技术点:预测评估中的逆变换处理和窗口变换特征工程。正确理解这些技术细节对于构建可靠的时间序列预测系统至关重要。特别是:
- 评估预测性能时,必须确保预测值和真实值在同一尺度上比较
- 窗口变换可以提取有价值的时序特征,但在多步预测时需要特别注意特征的更新机制
随着Darts库的持续发展,这些功能有望变得更加自动化和用户友好,但理解底层原理将帮助数据科学家更灵活地应对各种预测场景。
登录后查看全文
热门项目推荐
- DDeepSeek-V3.1-BaseDeepSeek-V3.1 是一款支持思考模式与非思考模式的混合模型Python00
- QQwen-Image-Edit基于200亿参数Qwen-Image构建,Qwen-Image-Edit实现精准文本渲染与图像编辑,融合语义与外观控制能力Jinja00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~043CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava04GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。06GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00openHiTLS
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!C0300- WWan2.2-S2V-14B【Wan2.2 全新发布|更强画质,更快生成】新一代视频生成模型 Wan2.2,创新采用MoE架构,实现电影级美学与复杂运动控制,支持720P高清文本/图像生成视频,消费级显卡即可流畅运行,性能达业界领先水平Python00
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手HTML013
热门内容推荐
1 freeCodeCamp猫照片应用教程中的HTML注释测试问题分析2 freeCodeCamp全栈开发课程中测验游戏项目的参数顺序问题解析3 freeCodeCamp英语课程填空题提示缺失问题分析4 freeCodeCamp音乐播放器项目中的函数调用问题解析5 freeCodeCamp论坛排行榜项目中的错误日志规范要求6 freeCodeCamp 课程中关于角色与职责描述的语法优化建议 7 freeCodeCamp全栈开发课程中React组件导出方式的衔接问题分析8 freeCodeCamp Cafe Menu项目中link元素的void特性解析9 freeCodeCamp全栈开发课程中React实验项目的分类修正10 freeCodeCamp英语课程视频测验选项与提示不匹配问题分析
最新内容推荐
项目优选
收起

React Native鸿蒙化仓库
C++
176
261

🎉 (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
860
511

openGauss kernel ~ openGauss is an open source relational database management system
C++
129
182

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
259
300

🔥🔥🔥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

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

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

一款跨平台的 Markdown AI 笔记软件,致力于使用 AI 建立记录和写作的桥梁。
TSX
83
4

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

deepin linux kernel
C
22
5