Kaggle时序建模案例：预测水资源可用性

Acea Smart Water Analytics

您能否预测水资源未来的的可用性？

每个数据集代表一种不同类型的水体。由于每个水体彼此不同，相关特征也不同。我们会注意到它的特征与湖泊的特征不同。这些差异是根据每个水体的独特行为和特征预期的。

步骤1：数据集读取

首先读取数据，并找到对应的日期列，

from datetime import datetime, date 
df['date'] = pd.to_datetime(df['date'], format = '%d/%m/%Y')

其中特征列为Rainfall、Temperature、Volume和Hydrometry，标签列为Depth to Groundwater。

步骤2：数据集分析

时间间隔

分析日期是否包含连续：通过date列进行diff，如果日期列没有缺失值则最大diff为1day。

df = df.sort_values(by='date')
df['delta'] = df['date'] - df['date'].shift(1)
df[['date', 'delta']].head()

缺失值分析

分析数据集是否包含空值，绘制的时间序列显示似乎有一些零值，我们将用nan值替换它们，然后再填充它们。

缺失值填充

• 使用NaN填充
• 使用均值填充
• 使用最近的样本填充
• 使用插值填充

平滑数据/重采样

重采样可以提供更多的数据信息。重采样有两种类型:

• 上采样：采样频率增加(例如，数天到数小时)。
• 下采样：采样频率降低(例如，从天到周)。

平稳性

一些时间序列模型，如ARIMA，假设基础数据是平稳的。平稳性描述了时间序列具有：

• 常数均值和均值不依赖于时间
• 常数方差和方差与时间无关
• 常数协方差和协方差与时间无关

平稳性检查可以通过三种不同的方法来完成:

• 视觉上：绘制时间序列并检查趋势或季节性
• 基本统计：拆分时间序列，比较每个分区的均值和方差
• 统计检验：扩充Dickey Fuller检验

特征工程

日期信息

周期编码

新的时间特性是周期性的，特征月周期为每年1至12个月。虽然每个月之间的差值在一年内增加1，但在两年内，月特性从12(12月)跳到1(1月)。

时序分解

时间序列分解涉及到将一个序列看作水平、趋势、季节性和噪声成分的组合。

• 等级：级数中的平均值。
• 趋势：数列中增加或减少的值。
• 季节性：在系列中重复的短期循环。
• 噪声：数列中的随机变化。

  

Lag特征

EDA分析

相关性分析

自相关分析

• 自相关函数(ACF): P=滞后周期，P帮助调整用于预测序列的拟合线，P对应于MA参数

  

• 部分自相关函数(PACF): D是时间序列达到平稳所需的差分变换次数。D对应AR参数。

  

构建模型

时间序列可以是单变量的也可以是多变量的：

• 单变量时间序列只有一个时间因变量。
• 多变量时间序列具有多个时间因变量。

数据划分方法

from sklearn.model_selection import TimeSeriesSplit

单变量时序模型

• Prophet

• ARIMA

• LSTM

多变量时序模型

• Prophet

完整代码链接：https://www.kaggle.com/andreshg/timeseries-analysis-a-complete-guide/notebook