文章介绍了时间序列预测中的数据预处理，如归一化和对数变换；窗口选择，通常N是M的1.5倍以上，考虑数据周期性；模型选择，LSTM适用于单点预测，长周期预测可能需要LSTM+Attention或Transformer；以及评价指标，包括scale无关和scale相关的指标，选择应基于对大值和小值样本的关注程度。
1.数据预处理
时间序列预测的数据集千差万别，比如最小值0，最大值10000000的情况，因此需要做一些数据预处理操作例如归一化。如果数据差异很大，通常是先取对数缩小scale，再进行归一化处理。
2.窗口选择
一般会选择历史N天作为Encoder输入，预测未来M天的。M是问题事先定义好的，若预测未来15天的结果，那么M就是15。在N的选择上，需注意N要比M长，一般是M的1.5倍以上。另一方面，要注意数据的周期性。若数据呈现明显的以365天为周期的年周期性，那么N至少应涵盖一年，才能让模型预测出接下来的事情。此外，还需注意N的选择不能太长，会导致模型训练慢或收敛困难的问题。
3.模型
如果是单点预测，LSTM就能取得非常好的效果。如果是长周期预测，就必须加入一些Attention才能更好的进行对齐，这个时候可以考虑LSTM+Attention，或者直接上Transformer模型。另一个考虑因素是你的数据噪音大不大，一个经验是，噪音越大的数据集，用越简单的模型往往能取得更好的效果，而用了复杂模型反而会因为过拟合导致效果较差。
4.指标
时间序列预测的评价指标可分为两类，一类是scale无关的（如smape、rmsle、mape等），一类是scale相关的（如mse、rmse、mae、nd等）。Scale无关的，即不管每个样本点的取值多大，对最终loss的贡献都是差不多的，因为这些指标计算的都是预测值相对于真实值的偏差百分比。而scale相关的指标，数值越大对loss的贡献就越大，因为它们直接计算预测值和真实值的差值。
在选择指标时，如果更关注大值样本的效果，可以用scale相关的指标；如果更关注全局所有样本的效果，可以用scale无关的指标。对于scale无关的指标还要注意一点，在一些场景中，小值样本比大值样本多得多，数据呈现长尾部分。这种情况下使用scale无关指标，则更偏向于看小值样本效果。同时，小值样本可能存在更大的误差，比如真实值是1，预测值是2，这偏差就是100%了，小样本本来就噪声大。如果用scale无关指标在这类数据上评估，很可能反映的是拟合噪声的效果。因此更合适的做法是对测试集做一个采样，小值样本、大值样本保留差不多的数量，才能更科学的评价模型效果。
参考资料：知乎 fareise https://www.zhihu.com/question/68422363/answer/2676654789
3159
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
