学习笔记:深度学习在时间序列预测中的应用
特征工程与分析
在时间序列预测中,特征工程是核心环节,它包括以下关键步骤:
- 日期变量:将日期转换为数值特征,如年、月、日、小时等。
- 周期性:识别并利用数据中的周期性,如一天中的小时数、一周中的天数。
- 趋势性:提取数据的趋势性特征,通过移动平均或线性回归。
- 距离某天的时间差:计算数据点与特定事件日期之间的距离。
- 时间特征组合:组合不同时间单位,如年和周,提供丰富的上下文信息。
- 特殊日期:标记节假日、促销活动等特殊事件。
- 异常点检测:识别并处理数据中的异常值。
- 时序相关特征:使用历史平移、滑窗统计和强相关特征构建预测模型。
特征优化示例代码
# 合并训练数据和测试数据
data = pd.concat([train, test], axis=0).reset_index(drop=True)
data = data.sort_values(['id','dt'], ascending=False).reset_index(drop=True)
# 历史平移
for i in range(10,36):
data[f'target_shift{i}'] = data.groupby('id')['target'].shift(i)
# 历史平移 + 差分特征
for i in range(1,4):
data[f'target_shift10_diff{i}'] = data.groupby('id')['target_shift10'].diff(i)
# 窗口统计
for win in [15,30,50,70]:
data[f'target_win{win}_mean'] = data.groupby('id')['target'].rolling(window=win, min_periods=3, closed='left').mean().values
data[f'target_win{win}_max'] = data.groupby('id')['target'].rolling(window=win, min_periods=3, closed='left').max().values
data[f'target_win{win}_min'] = data.groupby('id')['target'].rolling(window=win, min_periods=3, closed='left').min().values
data[f'target_win{win}_std'] = data.groupby('id')['target'].rolling(window=win, min_periods=3, closed='left').std().values
# 历史平移 + 窗口统计
for win in [7,14,28,35,50,70]:
data[f'target_shift10_win{win}_mean'] = data.groupby('id')['target_shift10'].rolling(window=win, min_periods=3, closed='left').mean().values
data[f'target_shift10_win{win}_max'] = data.groupby('id')['target_shift10'].rolling(window=win, min_periods=3, closed='left').max().values
data[f'target_shift10_win{win}_min'] = data.groupby('id')['target_shift10'].rolling(window=win, min_periods=3, closed='left').min().values
data[f'target_shift10_win{win}_sum'] = data.groupby('id')['target_shift10'].rolling(window=win, min_periods=3, closed='left').sum().values
data[f'target_shift10_win{win}_std'] = data.groupby('id')['target_shift10'].rolling(window=win, min_periods=3, closed='left').std().values
构建和训练LSTM模型
# 数据预处理函数
def preprocess_data(df, look_back=100):
# ... (预处理逻辑省略)
return X, Y, OOT
# 构建模型函数
def build_model(look_back, n_features, n_output):
model = Sequential()
model.add(LSTM(50, input_shape=(look_back, n_features)))
model.add(RepeatVector(n_output))
model.add(LSTM(50, return_sequences=True))
model.add(TimeDistributed(Dense(1)))
model.compile(loss='mean_squared_error', optimizer=Adam(0.001))
return model
# 预处理数据
X, Y, OOT = preprocess_data(train, look_back=look_back)
# 构建模型
model = build_model(look_back, n_features, n_output)
# 训练模型
model.fit(X, Y, epochs=10, batch_size=64, verbose=1)
# 进行预测
predicted_values = model.predict(OOT)
优化方案
- 提取更多特征。
- 尝试不同的模型。
- 特征优化,包括历史平移特征、差分特征和窗口统计特征。
- 模型融合,使用多个模型的预测结果进行集成学习。