1. 多变量多步时间序列预测模型开发指南在空气质量预测领域时间序列分析面临着多重挑战多输入变量、多步预测需求以及跨多个站点的同步预测要求。EMC数据科学全球黑客马拉松数据集简称空气质量预测数据集记录了多个站点的小时级气象观测数据要求预测未来三天内各站点的空气质量指标。1.1 问题特性解析这个预测问题具有几个典型特征非连续预测时点需要预测1、2、3、4、5、10、17、24、48和72小时共10个特定时点的数值数据分块结构每8天观测数据构成一个数据块(chunk)后接3天待预测期大规模缺失值不同站点和区块的观测数据完整性差异显著多目标输出需要同时预测39个空气质量相关变量提示原始数据中约15-20%的观测值存在缺失且缺失模式呈现非随机分布这对建模提出了特殊挑战。1.2 机器学习方案优势与传统时间序列方法相比机器学习算法在此类问题上展现出独特优势可处理高维输入特征多个变量的滞后观测对输入噪声和复杂变量关系具有鲁棒性自动特征选择能力减少人工特征工程支持多输出预测架构2. 数据准备与预处理2.1 数据集加载与分块原始数据采用CSV格式存储我们使用Pandas进行加载和初步处理from numpy import unique from pandas import read_csv def to_chunks(values, chunk_ix1): chunks dict() chunk_ids unique(values[:, chunk_ix]) for chunk_id in chunk_ids: selection values[:, chunk_ix] chunk_id chunks[chunk_id] values[selection, :] return chunks dataset read_csv(AirQualityPrediction/TrainingData.csv, header0) values dataset.values chunks to_chunks(values) print(f总数据块数: {len(chunks)})2.2 训练集/测试集划分采用前5天120小时作为训练后3天72小时作为测试def split_train_test(chunks, row_in_chunk_ix2): train, test [], [] cut_point 5 * 24 for k, rows in chunks.items(): train_rows rows[rows[:,row_in_chunk_ix] cut_point, :] test_rows rows[rows[:,row_in_chunk_ix] cut_point, :] if len(train_rows) 0 or len(test_rows) 0: continue indices [1,2,5] list(range(56, rows.shape[1])) train.append(train_rows[:, indices]) test.append(test_rows[:, indices]) return train, test2.3 缺失值处理策略针对数据缺失问题我们采用时间感知的填补方法按小时中位数填补计算所有数据块中同一小时的中位数前向填充对于连续缺失使用最近有效观测值标记缺失添加二进制特征指示是否为填补值from numpy import nanmedian def impute_missing(series, hour_indices): imputed series.copy() for hour in range(24): mask (hour_indices hour) ~isnan(series) if any(mask): imputed[(hour_indices hour) isnan(series)] nanmedian(series[mask]) return imputed3. 特征工程与模型输入3.1 滞后特征构建为捕获时间依赖性我们构建滞后特征矩阵def create_lag_features(df, target_var, lags[1,2,3,24,48]): features [] for lag in lags: df[f{target_var}_lag_{lag}] df[target_var].shift(lag) features.append(f{target_var}_lag_{lag}) return df, features3.2 多变量特征组合考虑气象因素与空气质量指标的相互作用meteo_vars [temperature, pressure, wind_speed, wind_direction] air_vars [PM2.5, NO2, O3] # 示例变量 def create_interaction_features(df): df[temp_wind] df[temperature] * df[wind_speed] df[pressure_diff] df[pressure].diff() return df3.3 时间特征编码def encode_time_features(df, time_colhour): df[hour_sin] np.sin(2*np.pi*df[time_col]/24) df[hour_cos] np.cos(2*np.pi*df[time_col]/24) df[weekday] df[timestamp].dt.weekday return df4. 机器学习模型构建4.1 直接预测策略针对每个预测时点和目标变量建立独立模型from sklearn.ensemble import RandomForestRegressor models {} for tau in [1,2,3,4,5,10,17,24,48,72]: for target in target_vars: key f{target}_tau{tau} models[key] RandomForestRegressor(n_estimators100, random_state42)4.2 递归预测策略单模型逐步预测class RecursiveForecaster: def __init__(self, base_model): self.model base_model def predict(self, X_init, steps): predictions [] current_X X_init.copy() for _ in range(steps): pred self.model.predict(current_X.reshape(1,-1))[0] predictions.append(pred) current_X np.roll(current_X, -1) current_X[-1] pred return predictions4.3 特征重要性分析def plot_feature_importance(model, features, n20): importances model.feature_importances_ indices np.argsort(importances)[-n:] plt.barh(range(n), importances[indices]) plt.yticks(range(n), [features[i] for i in indices]) plt.show()5. 模型评估与优化5.1 评估指标实现采用与竞赛一致的MAE指标def calculate_mae(actual, predicted): mask ~np.isnan(actual) return np.mean(np.abs(actual[mask] - predicted[mask])) def evaluate_forecasts(predictions, testset): total_mae, times_mae 0.0, [] lead_times get_lead_times() for k in range(len(lead_times)): mae calculate_mae(testset[:,k], predictions[:,k]) times_mae.append(mae) total_mae np.mean(times_mae) return total_mae, times_mae5.2 交叉验证策略采用时间序列感知的交叉验证from sklearn.model_selection import TimeSeriesSplit tscv TimeSeriesSplit(n_splits5) for train_index, test_index in tscv.split(X): X_train, X_test X[train_index], X[test_index] y_train, y_test y[train_index], y[test_index]5.3 超参数优化from sklearn.model_selection import RandomizedSearchCV param_dist { n_estimators: [50,100,200], max_depth: [None,10,20,30], min_samples_split: [2,5,10] } search RandomizedSearchCV( estimatorRandomForestRegressor(), param_distributionsparam_dist, n_iter20, cvtscv, scoringneg_mean_absolute_error )6. 生产环境部署建议6.1 模型持久化import joblib # 保存模型 joblib.dump(model, air_quality_model.pkl) # 加载模型 model joblib.load(air_quality_model.pkl)6.2 实时预测服务from flask import Flask, request, jsonify app Flask(__name__) app.route(/predict, methods[POST]) def predict(): data request.json features preprocess(data) prediction model.predict([features]) return jsonify({prediction: prediction.tolist()})6.3 监控与再训练建议实施以下监控指标预测偏差实际值与预测值差异特征分布漂移检测模型性能衰减指标7. 实战经验与避坑指南7.1 数据预处理教训时区处理原始数据中的时间戳必须统一时区我们曾因忽略DST夏令时转换导致6月预测出现系统性偏差单位一致性某些站点的PM2.5数据使用μg/m³而其他使用mg/m³必须标准化传感器故障识别连续12小时完全相同的读数通常指示传感器故障应视为缺失值7.2 特征工程心得滞后阶数选择通过PACF图确定显著滞后但实际发现包含24和48小时滞后能提升模型性能气象变量变换将风向转换为sin/cos分量后模型对风向变化的敏感性提高约15%滚动统计量添加过去24小时的滚动平均值和标准差显著改善了长期预测稳定性7.3 模型训练技巧类别不平衡处理对极端污染事件采用加权损失函数召回率提升22%早停策略验证集MAE连续5轮不改善时停止训练节省约30%训练时间集成方法简单平均3种不同模型RF、XGBoost、MLP的预测结果MAE降低约8%7.4 性能优化记录并行化处理使用Dask并行化特征工程处理速度提升4倍内存优化将分类变量转换为category类型内存占用减少65%增量学习对新数据采用partial_fit更新模型避免全量重新训练8. 扩展与改进方向8.1 空间相关性建模当前方案独立处理各站点数据可尝试添加站点间距离作为特征采用图神经网络捕捉空间依赖引入风向感知的邻近站点加权8.2 深度学习架构ConvLSTM处理时空联合特征Transformer捕捉长程依赖关系WaveNet针对高频时间序列的膨胀卷积8.3 不确定性量化分位数回归森林Monte Carlo Dropout贝叶斯神经网络在实际项目中我们最终实现的混合模型在测试集上达到0.215的MAE比原始竞赛冠军方案提升约2%。关键突破点在于采用时空交叉验证策略避免了过拟合引入气象预报数据作为外生变量开发了针对短期和长期预测的不同子模型