漫谈时序预测

2022-03-24 2,867 阅读3分钟

以下内容是在拜读远观数据大佬技术文章的部分总结，原文请查看：漫谈时间序列预测 - 字节的文章 - 知乎 zhuanlan.zhihu.com/p/486343380

1. 效果检验

数值量纲不敏感metric：
- SMPAE（对称MAPE）：
  - $SMAPE=\frac{1}{n}\sum_{t=1}^{n}\frac{|F_t-A_t|}{(A_t+F_t)/2}$
  - 百分比表示形式的MAE
  - 有上（200%）下界（0%）
- WMAPE（加权MAPE）：
  - $WMAPE=\frac{\sum_{t=1}^{n}|A_t-F_t|}{\sum_{t-1}^n|A_t|}$
  - 把不同数量级误差等价评估
  - 解决MAPE除数为零

2. 模型分类

2.1 传统方法

MA（滑动平均，以过去n时间点观测值平均作为下一个点的预测）：
- 优点：快，作为baseline效果不错。
- 缺点：做不了多步，且存在滞后问题。
ARIMA（自回归滑动平均）：
- 优点：比MA和AR拟合强
- 缺点：参数寻找，运行时间长，需要对每个序列单独预测。
Prophet（时序分解加性模型）：
- 优点：非线性趋势没季节外部变量方面有优势，可输出概率。
- 缺点：单个序列预测，大规模费劲。
其他：Orbit和NeuralProphet，都不咋地。
缺点：
- 对时序本身有一些性质要求，非端对端优化；
- 只能做单个序列预测，性能开销大。
- 自回归，没有协变量可以引入。
- 多步预测不行。

2.2 ML方法

建模方式
- 时序转化表格类问题

特征工程
- 根据特征类型不同构造新特征，预处理部分不在这里讨论。
- 自动时间序列特征工程工具——tsfresh（根据其他文档看，全自动化不够智能，会生成非常多的特征，有可能爆内存）
  - tsfresh官方文档
  - tsfresh中文解析
- 其他时序特征方法介绍：zhuanlan.zhihu.com/p/67832773
模型
- GBDT：
  - lightGBM，fastai（可以用Optuna或者FLAML来做自动调参）
  - 业务特征上表达比NN好
- NN：
  - 类别变量表达学习会有更好的embedding
  - loss设计灵活
  - 多目标学习比树模型方便。

2.3 DL方法

RNN（RNN，LSTM，GRU）
Seq2Seq（RNN组合形式）

- 以RNN组件作为基本单元，encoder中做训练窗口的信息提取，decoder中做预测的多部输出。
- 评估：效果一般，计算开销大，稳定性不行，误差分析和模型解释难做。

WaveNet（空洞因果卷积）

-   比RNN好并行，使用一维CNN做序列预测，还加入residual connection和skip connection和一系列复杂的门机制。
-   评估：没RNN好用

LSTNet

-   评估：不如特征工程+fastai

DeepAR

-   Seq2Seq形式，但是能输出概率分布。
-   评估：难以稳定收敛，精度波动大，效果比不过GBDT。

N-Beats

-   单变量预测，有一定的季节和趋势解释性。
-   评估：效果一般，不好加额外的特征变量。

TFT

-   能和树模型叫板的DL模型，跟树模型有一定近似性，有特征变量选择网络。
-   评估：有点意思，由于其拟树形式的原理，效果稳定不少，但计算开销还是比较大。

总结：
- 目前GBDT的效果还是大规模好于DL
- DL的强项入pre-train，transfer learning，represent learning，生成模型难以用于时序领域。

2.4 时序AutoML

库：
- Auto_TS
主流方法：
- 特征工程+GBDT
- TFT结构化时许数据集接口做自动化特征工程可行。

\

友情链接：