基于PYTORCH的時間序列預(yù)測模型

羅曉牧 弓偉 門韶洋

時間序列預(yù)測是機器學(xué)習(xí)中一個非常重要的方向。本文主要介紹了在不同領(lǐng)域中訓(xùn)練基于PyTorch 的時間序列模型中的要點，包括對問題的限定、數(shù)據(jù)的預(yù)處理、模型的選擇等，對于系統(tǒng)性能的提升有一定的指導(dǎo)作用。

時間序列預(yù)測是一個富有挑戰(zhàn)的領(lǐng)域。使用FlowForecast [1]，可以用于訓(xùn)練出數(shù)百個基于 PyTorch 的時間序列預(yù)測模型，用于不同范圍的數(shù)據(jù)集，如河流的流量，COVID-19，太陽能，風(fēng)能等。本文主要討論了訓(xùn)練這些時間序列模型時的要點。

1.對問題加以限定

對于使用基于機器學(xué)習(xí)的時間序列模型，通常有不同的定義：

a）異常檢測：這是用于在時間序列中檢測出異常值的通用方法。然而“異常值”通常只出現(xiàn)在數(shù)據(jù)集中的很小一部分，但卻與其它數(shù)據(jù)點截然不同。雖然二值檢測通常那被認(rèn)為是另外一個領(lǐng)域，異常檢測可以被認(rèn)為是二值檢測的極端形式。大部分的異常檢測都是無監(jiān)督學(xué)習(xí)，因為我們通常只有在異常數(shù)據(jù)出現(xiàn)時才有可能判別出那是異常的數(shù)據(jù)。

b）時間序列分類：與其他形式的分類問題類似，我們將時間序列中的一段拿出來，然后將它分成某一類。與異常檢測不同，通常每一類樣本的數(shù)量都更加平衡（盡管有時候有些傾斜，如 10%，80%，10%）。

c）時間序列預(yù)測：通常指的是預(yù)測時間序列數(shù)據(jù)中的下一個值，或后面的 n 個值。這也是本文分析的重點。

D）時間序列分析：這是一個可用于包括以上各個分類的詞。然而，通常可以認(rèn)為是檢查整個時間序列數(shù)據(jù)，比較不同的時間結(jié)構(gòu)，然后設(shè)計出一個預(yù)測的模型。例如，如果設(shè)計出一個時間序列的預(yù)測模型，那么就可以得出時間序列中的因果關(guān)系因子，然后做出更深入的時間序列分析。

在開始之前，我們應(yīng)該明確問題是一個預(yù)測問題，還是一個分類問題。有時候?qū)⒁粋€預(yù)測問題變成一個分類問題更加合適。例如，預(yù)測的具體值并不重要時，可以將其分入某個區(qū)間變成一個分類的問題。更進一步，應(yīng)該明確部署的問題，并明白最終的產(chǎn)品是什么。如果是需要一個毫秒級延時的股票交易系統(tǒng)，那么 20 層的 transformer 模型就一定不能滿足標(biāo)準(zhǔn)。

2.數(shù)據(jù)質(zhì)量與預(yù)處理：

a）通常要對數(shù)據(jù)歸一化：在 99%的情況下，數(shù)據(jù)歸一化或者正則化都能提高系統(tǒng)的性能。使用 FlowForecast 可以很方便地實現(xiàn)這一步。缺少了數(shù)據(jù)歸一化，會出現(xiàn)損失函數(shù)爆炸的情況，尤其當(dāng)訓(xùn)練某些 transformer 的時候。

b）重新檢查空值，不恰當(dāng)編碼或者缺失的值：由于數(shù)據(jù)的質(zhì)量問題，會導(dǎo)致浪費很多的時間。有時候缺失值會使用一種奇怪的方式進行編碼。例如，有的氣象站將缺失的降雨值設(shè)置為-9999。這會導(dǎo)致很多的問題，因為一般的缺失值檢查處理不了這個問題。FlowForecast 中提供了對缺失值進行插值的模塊，也能對可能不正確的錄入數(shù)據(jù)進行警告。

c）開始只使用少量的特征：通常開始使用較少的特征，然后根據(jù)性能增加特征是更好的做法。例如，當(dāng)預(yù)測 COVID 的變異時，開始僅僅使用死亡數(shù)據(jù)和新增數(shù)據(jù)。隨著時間的推移熟悉了超參數(shù)之后，可以增加天氣的數(shù)據(jù)。

3.模型選擇和超參數(shù)選擇

a）對于時間的滯后項進行可視化分析：在時間序列分析中，將不同的時間滯后項輸入模型將導(dǎo)致不同的結(jié)果。通過調(diào)整參數(shù)，模型的結(jié)構(gòu)改變，能學(xué)習(xí)到更長的依賴關(guān)系。然而，確定初始的范圍是十分必要的。在某些情況下，長的依賴關(guān)系并沒有什么作用。

b）以 DA-RNN 開始建模：使用DA-RNN可以得到一個很強的基準(zhǔn)值。使用 transformers 可以超越 DA-RNN，但是那通常需要更多的數(shù)據(jù)，以及更加仔細(xì)的調(diào)參。

c）確定預(yù)測的長度：這是一個需要使用技巧搜索的超參數(shù)調(diào)整問題。這個問題是要確定模型一次預(yù)測的時間步長。可以基于上一次的預(yù)測結(jié)果疊加出更長的預(yù)測。一方面，如果要預(yù)測出更長的時間范圍，可以直接將預(yù)測的誤差加權(quán)加入損失函數(shù);另一方面，使用太長的時間預(yù)測將使得模型的性能下降。在大部分的預(yù)測中，更短的預(yù)測時間通常效果更好。

d）以較低的學(xué)習(xí)率開始：對于大部分的時間預(yù)測模型，使用較低的學(xué)習(xí)率。

e）Adam 算法通常并不是最好的：在有的情況下，別的優(yōu)化算法表現(xiàn)更好。例如，Bertadam 對于 transformer 型的模型比較好，一般的優(yōu)化算法對DA-RNN 就足夠了。

4.魯棒性

a）在不同的實驗場景進行仿真并分析。在不同的環(huán)境下對時間序列進行預(yù)測相對簡單，例如，要預(yù)測河流的流量，可以嘗試輸入比較大的降雨量，看模型的輸出。

b）仔細(xì)檢查熱力圖和其他可解釋性度量。當(dāng)模型表現(xiàn)相對比較好的時候，要通過熱力圖檢查模型是否使用重要的特征。如果不是，模型則不是使用真實的特征之間的因果關(guān)系，而僅僅只是記住了某些特征。

5.結(jié)論

時間序列預(yù)測是一個富有挑戰(zhàn)的領(lǐng)域，尤其是基于機器學(xué)習(xí)的模型。本文所提到的要點對于提高系統(tǒng)的性能有一定幫助。

參考文獻(xiàn)

[1] https：//github.com/AIStream-Peelout/flow-forecast

作者簡介：羅曉牧（出生年月：1980-），性別：男，廣東省廣州市（籍貫），現(xiàn)職稱：副教授，學(xué)歷：工科博士研究生畢業(yè)，研究方向：機器學(xué)習(xí)，無線傳感器網(wǎng)絡(luò)，生物信息獲取。廣州中醫(yī)藥大學(xué)醫(yī)學(xué)信息工程學(xué)院.