机器学习专栏（68）：时间序列预测实战——从入门到进阶的AI技术指南

最新推荐文章于 2025-05-17 13:34:47 发布

Sonal_Lynn

最新推荐文章于 2025-05-17 13:34:47 发布

阅读量869

点赞数 9

分类专栏：人工智能专题文章标签：人工智能机器学习

本文链接：https://blog.csdn.net/Conan_0728/article/details/147957507

版权

一、时间序列预测的核心概念

1.1 什么是时间序列？

时间序列是按时间顺序排列的数据集合，具有以下特点：

时间依赖性：当前值与历史值相关
趋势性：长期上升/下降趋势（如电商年增长曲线）
季节性：周期性波动（如空调销量夏高冬低）

真实案例：某电商平台发现每年"双十一"订单量是平日的50倍，这种周期性波动就是典型的时间序列特征。

1.2 预测任务的类型对比

任务类型	描述	应用场景
单步预测	预测下一个时间点的值	明日股价预测
多步预测	预测未来多个时间点的值	未来一周天气预测
缺失值填补	补全历史缺失数据	传感器数据修复
异常检测	识别异常波动	金融欺诈监测

二、构建预测模型的四大关键步骤

2.1 数据准备与特征工程

from sklearn.preprocessing import MinMaxScaler

# 标准化处理
scaler = MinMaxScaler()
scaled_data = scaler.fit_transform(raw_data)

# 创建滑动窗口数据集
def create_dataset(data, window_size=10):
    X, y = [], []
    for i in range(len(data)-window_size):
        X.append(data[i:i+window_size])
        y.append(data[i+window_size])
    return np.array(X), np.array(y)

2.2 基准模型搭建

# 自定义评估指标
def last_time_step_mse(y_true, y_pred):
    return keras.metrics.mean_squared_error(y_true[:, -1], y_pred[:, -1])

model.compile(loss="mse", metrics=[last_time_step_mse])

朴素预测法：直接使用最后一个观测值作为预测值

naive_pred = test_data[:-1]
mse = mean_squared_error(test_data[1:], naive_pred)

2.3 RNN模型进化之路

2.3.1 简单RNN结构

model = Sequential([
    SimpleRNN(20, input_shape=[None, 1]),
    Dense(1)
])

2.3.2 深度RNN架构

model = Sequential([
    SimpleRNN(20, return_sequences=True, input_shape=[None, 1]),
    SimpleRNN(20, return_sequences=True),
    SimpleRNN(20),
    Dense(1)
])