时间序列预测实践总结（门店销售额 - 时间序列预测）

📊 数据清洗与特征工程

1. DeterministicProcess生成时间序列特征

用于生成时间序列的基础特征，包括趋势和周期性成分

可以指定趋势的阶数（如线性、二次等）和季节性周期

2. 季节性特征处理

工作日周期拟合：考虑一周内不同日期的销售模式差异

傅里叶周期拟合：使用傅里叶级数捕捉复杂的周期性模式

适合处理非整数周期或复杂季节性模式

3. 特殊事件处理

假期数据拟合：标记节假日，考虑其对销量的特殊影响

灾难日数据拟合：标记异常事件日（如疫情、自然灾害等）

4. 特征编码方法

非数字型参数编码：

使用nn.Embedding将类别特征集成为低维向量

或直接展开为布尔类型（one-hot编码）

数字缺失值处理：

采用线性插值方法填补缺失值

保持时间序列的连续性

🤖 LSTM模型构建要点

模型结构特点
text

LSTM模型结构：

输入层 → LSTM层（隐藏层） → LSTM层（输出层） → 全连接层
关键设计
输出层与隐藏层同维：LSTM的输出层默认与隐藏层大小相同

添加全连接层：为了将输出转换为预测所需的维度（如单步预测）

多步预测处理：可通过滑动窗口或序列到序列结构实现

优势与适用场景

适合捕捉长期依赖关系

能处理非线性时间序列模式

对复杂季节性模式有较好表现

📈 线性回归模型应用

基本特点

训练速度快：相比深度学习模型，训练时间大幅减少

可解释性强：特征权重直观反映影响程度

趋势拟合能力：能有效捕捉数据的线性趋势成分

实践观察

自测效果较差：在复杂时间序列上表现不如LSTM

适合场景：

基线模型建立

快速验证特征有效性

趋势明显的简单时间序列

改进方向

结合特征工程提升性能

作为集成学习的基模型

用于多模型融合中的趋势成分预测

💡 实践建议

模型选择策略

快速迭代：先用线性回归建立基线

复杂模式：使用LSTM处理非线性关系

特征验证：通过线性模型验证特征重要性

特征工程优先级

基础时间特征（年、月、日、星期）

季节性特征（傅里叶级数）

特殊事件标记（假期、异常日）

类别特征嵌入

缺失值处理

优先使用时间序列相关插值方法

避免使用全局统计值填充

考虑业务场景选择插值策略