Yila
全部用户案例
数据分析

时间序列预测:别让模型偷看未来

用 UCI 共享单车的 17,379 条逐小时真实记录,Yila 先检查时间范围与周期规律,再用随机切分和按时间顺序切分分别训练同一个模型,把两种评估的 MAE、RMSE、R² 放进同一张表——看清为什么随机切分不代表真实预测能力。

这是逐小时共享单车租赁数据。我想预测未来一小时的总租赁量。先检查时间范围、时间频率、目标列、缺失值、重复时间和异常值,暂时不要建模。

数据检查完成:17,379 条逐小时记录,覆盖 2011-01 至 2012-12,目标列 bike_rentals 无缺失、无重复时间。提醒一点:registered 和 casual 两列相加就是总量,用作特征会造成目标泄漏,已排除。

数据检查完成:17,379 条逐小时记录,覆盖 2011-01 至 2012-12,目标列 bike_rentals 无缺失、无重复时间。提醒一点:registered 和 casual 两列相加就是总量,用作特征会造成目标泄漏,已排除。
画出共享单车租赁量的时间趋势,再分别检查一天内和一周内的周期规律。请用容易理解的图,并解释工作日和周末有没有区别。

趋势与周期已出图:早晚高峰是日内主周期,工作日与周末曲线形态不同——工作日平均每小时约 192 辆、周末约 184 辆。看清规律,才知道该构造哪些时间特征。

趋势与周期已出图:早晚高峰是日内主周期,工作日与周末曲线形态不同——工作日平均每小时约 192 辆、周末约 184 辆。看清规律,才知道该构造哪些时间特征。
先不要使用复杂模型。用「上一小时」和「上一周同一时刻」分别作为基准预测,计算 MAE 和 RMSE,并说明哪个基准更合理。

两个朴素基准已在完全相同的可比较样本上评估:「上一周同一时刻」明显优于「上一小时」。基准不是凑数,而是任何复杂模型的最低合格线。

现在用滞后特征建立一个机器学习回归模型。先演示普通随机切分训练集和测试集的结果,并明确说明这种评估为什么可能不适合预测未来。

随机切分结果:MAE 23.81、RMSE 41.01、R² 0.9477——看起来很好,但测试点散落在整个历史区间,模型训练时已经接触过未来的分布,这个分数不代表真实的未来预测能力。

随机切分结果:MAE 23.81、RMSE 41.01、R² 0.9477——看起来很好,但测试点散落在整个历史区间,模型训练时已经接触过未来的分布,这个分数不代表真实的未来预测能力。
再按时间顺序切分:前 80% 作为训练集,最后 20% 作为测试集。使用相同特征和相同模型重新训练,并与随机切分的结果放在同一张表里比较。

同一模型、同一特征,只换切分方式:时间顺序切分 MAE 31.76、RMSE 52.70、R² 0.9428,误差明显上升。预测曲线对比一目了然——随机切分的测试点混在整个历史里,时间切分的测试点集中在最后 20%,后者才接近真实部署。

同一模型、同一特征,只换切分方式:时间顺序切分 MAE 31.76、RMSE 52.70、R² 0.9428,误差明显上升。预测曲线对比一目了然——随机切分的测试点混在整个历史里,时间切分的测试点集中在最后 20%,后者才接近真实部署。
在正确的时间切分下,再建立一个 SARIMA 模型,与刚才的机器学习模型和简单基准比较。统一使用 MAE、RMSE 和同一测试时段,并画出真实值与预测值曲线。

四类方法已在同一个未来测试时段(3,356 小时)统一比较:上一小时基准、上一周同一时刻基准、随机森林滞后特征模型和 SARIMA。预测曲线显示随机森林与 SARIMA 都能跟上日内峰谷,逐周回看差异集中在节假日与异常峰值。

四类方法已在同一个未来测试时段(3,356 小时)统一比较:上一小时基准、上一周同一时刻基准、随机森林滞后特征模型和 SARIMA。预测曲线显示随机森林与 SARIMA 都能跟上日内峰谷,逐周回看差异集中在节假日与异常峰值。
解释两种切分结果为什么不同。检查是否存在数据泄漏,并结合预测曲线说明哪种评估更接近真实使用场景。不要为了证明观点而夸大差异。

差异来自评估逻辑而不是模型:随机切分让训练集见过未来的分布,指标虚高;时间切分下的指标才接近上线后的表现。需要强调的是,即使两种切分差距不大,预测任务里也只有时间切分的评估逻辑成立。

用科研小白能理解的语言,总结这次预测中正确的数据处理顺序,并列出三个最需要避免的错误。

正确顺序:检查数据 → 识别周期 → 时间切分 → 建立基准 → 比较模型。三个最常犯的错误:把 registered/casual 这类泄漏列当特征;用随机切分评估预测能力;跳过朴素基准直接上复杂模型。

unified-prediction-curves.png统一预测曲线 · PNG
unified-metrics.csv统一指标 · CSV
split-comparison.csv切分对比 · CSV
baseline-metrics.csv基准指标 · CSV
statistics-results.csv周期统计 · CSV
leakage_curve_analysis.py分析脚本 · Python
任务已完成

Yila 任务回放完成。

用这个方法开始研究