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
- QQwen3-Next-80B-A3B-InstructQwen3-Next-80B-A3B-Instruct 是一款支持超长上下文(最高 256K tokens)、具备高效推理与卓越性能的指令微调大模型00
- QQwen3-Next-80B-A3B-ThinkingQwen3-Next-80B-A3B-Thinking 在复杂推理和强化学习任务中超越 30B–32B 同类模型,并在多项基准测试中优于 Gemini-2.5-Flash-Thinking00
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~0265cinatra
c++20实现的跨平台、header only、跨平台的高性能http库。C++00AI内容魔方
AI内容专区,汇集全球AI开源项目,集结模块、可组合的内容,致力于分享、交流。02- HHunyuan-MT-7B腾讯混元翻译模型主要支持33种语言间的互译,包括中国五种少数民族语言。00
GOT-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。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile06
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
热门内容推荐
1 freeCodeCamp音乐播放器项目中的函数调用问题解析2 freeCodeCamp论坛排行榜项目中的错误日志规范要求3 freeCodeCamp猫照片应用教程中的HTML注释测试问题分析4 freeCodeCamp JavaScript高阶函数中的对象引用陷阱解析5 freeCodeCamp全栈开发课程中React实验项目的分类修正6 freeCodeCamp课程视频测验中的Tab键导航问题解析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 课程中关于角色与职责描述的语法优化建议 9 freeCodeCamp课程中屏幕放大器知识点优化分析10 freeCodeCamp全栈开发课程中测验游戏项目的参数顺序问题解析
最新内容推荐
项目优选
收起

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
139
1.91 K

deepin linux kernel
C
22
6

Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0

React Native鸿蒙化仓库
C++
192
273

🎉 (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
923
551

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
421
392

openGauss kernel ~ openGauss is an open source relational database management system
C++
145
189

为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Jupyter Notebook
74
64

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
344
1.3 K

Elasticsearch
国内Top1 elasticsearch搜索引擎框架es ORM框架,索引全自动智能托管,如丝般顺滑,与Mybatis-plus一致的API,屏蔽语言差异,开发者只需要会MySQL语法即可完成对Es的相关操作,零额外学习成本.底层采用RestHighLevelClient,兼具低码,易用,易拓展等特性,支持es独有的高亮,权重,分词,Geo,嵌套,父子类型等功能...
Java
36
8