Press "Enter" to skip to content

机器学习笔记 – 时间序列作为特征

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

一、串行依赖

 

最容易建模为时间相关属性的时间序列的属性,也就是说,我们可以直接从时间索引中获得特征。 但是,某些时间序列属性只能建模为序列相关属性,即使用目标序列的过去值作为特征。 随着时间的推移,这些时间序列的结构可能并不明显; 然而,根据过去的值绘制,结构变得清晰 – 如下图所示。

 

这两个系列具有序列依赖性,但不具有时间依赖性。 右侧的点具有坐标(时间 t-1 的值,时间 t 的值)。

借助趋势和季节性,我们训练模型以将曲线拟合到上图左侧的图上——这些模型正在学习时间依赖性。

 

1、循环

 

表现串行依赖的一种特别常见的方式是循环。 周期是时间序列中的增长和衰减模式,与一次序列中的值如何取决于先前时间的值有关,但不一定取决于时间步本身。 循环行为是可以影响自身或其反应随时间持续存在的系统的特征。 经济、流行病、动物种群、火山爆发和类似的自然现象经常表现出循环行为。

 

 

周期性行为与季节性的区别在于,周期不一定像季节那样依赖于时间。一个周期中发生的事情与特定的发生日期无关,而更多地与最近发生的事情有关。与时间的(至少是相对的)独立性意味着循环行为可能比季节性更不规则。

 

二、滞后序列和滞后图

 

为了调查时间序列中可能的序列依赖性(如周期),我们需要创建序列的“滞后”副本。 滞后时间序列意味着将其值向前移动一个或多个时间步长,或者等效地,将其索引中的时间向后移动一个或多个步骤。 在任何一种情况下,结果都是滞后序列中的观察结果似乎发生在较晚的时间。

 

这显示了月度失业率 (y) 及其第一个和第二个滞后序列(分别为 y_lag_1 和 y_lag_2)。 注意滞后序列的值是如何及时向前移动的。

 

import pandas as pd
# Federal Reserve dataset: https://www.kaggle.com/federalreserve/interest-rates
reserve = pd.read_csv(
    "../input/ts-course-data/reserve.csv",
    parse_dates={'Date': ['Year', 'Month', 'Day']},
    index_col='Date',
)
y = reserve.loc[:, 'Unemployment Rate'].dropna().to_period('M')
df = pd.DataFrame({
    'y': y,
    'y_lag_1': y.shift(1),
    'y_lag_2': y.shift(2),    
})
df.head()

 

Dateyy_lag_1y_lag_2
1954-075.8NaNNaN
1954-086.05.8NaN
1954-096.16.05.8
1954-105.76.16.0
1954-115.35.76.1

 

通过滞后时间序列,我们可以使其过去的值与我们试图预测的值同时出现(换句话说,在同一行中)。 这使得滞后序列可用作建模序列依赖的特征。 为了预测失业率序列,我们可以使用 y_lag_1 和 y_lag_2 作为特征来预测目标 y。 这将预测未来失业率作为前两个月失业率的函数。

 

1、滞后图

 

时间序列的滞后图显示了相对于滞后绘制的值。 通过查看滞后图,时间序列中的序列依赖性通常会变得明显。 我们可以从这张美国失业率的滞后图中看到,当前失业率与过去的失业率之间存在很强且明显的线性关系。

 

显示自相关的失业滞后图。

最常用的序列依赖性度量称为自相关,它只是时间序列与其滞后之一的相关性。失业率在滞后 1 时的自相关为 0.99,在滞后 2 时为 0.98,依此类推。

 

2、选择滞后

 

在选择滞后作为特征时,将每个滞后都包含在自相关中通常是没有用的。例如,在失业中,滞后 2 的自相关可能完全来自滞后 1 的“衰减”信息——只是从上一步继承而来的相关。 如果滞后 2 不包含任何新内容,那幺如果我们已经有了滞后 1,就没有理由包含它。

 

偏自相关告诉您滞后与所有先前滞后的相关性——可以说,滞后贡献的“新”相关量。 绘制偏自相关可以帮助您选择要使用的滞后特征。 在下图中,滞后 1 到滞后 6 落在“无相关性”区间(蓝色)之外,因此我们可以选择滞后 1 到滞后 6 作为失业率的特征。 (滞后 11 可能是误报。)

 

失业率的偏自相关通过滞后 12 与无相关的 95% 置信区间。

像上面这样的图被称为相关图。 相关图适用于滞后特征,本质上就像周期图适用于傅里叶特征。

 

最后,我们需要注意自相关和偏自相关是线性相关的度量。 由于现实世界的时间序列通常具有很大的非线性相关性,因此在选择滞后特征时,最好查看滞后图(或使用一些更通用的相关性度量,如互信息)。 太阳黑子系列具有非线性相关的滞后,我们可能会忽略自相关。

 

太阳黑子系列的滞后图。

像这样的非线性关系可以转换为线性关系,也可以通过适当的算法学习。

 

三、示例 – 流感趋势

 

Flu Trends 数据集包含 2009 年至 2016 年间数周因流感而就诊的医生记录。我们的目标是预测未来几周的流感病例数。

 

我们将采取两种方法。 首先,我们将使用滞后特征预测医生的就诊次数。 我们的第二种方法是使用另一组时间序列的滞后来预测医生的就诊次数:谷歌趋势捕获的与流感相关的搜索词。

 

from pathlib import Path
from warnings import simplefilter
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
import seaborn as sns
from scipy.signal import periodogram
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split
from statsmodels.graphics.tsaplots import plot_pacf
simplefilter("ignore")
# Set Matplotlib defaults
plt.style.use("seaborn-whitegrid")
plt.rc("figure", autolayout=True, figsize=(11, 4))
plt.rc(
    "axes",
    labelweight="bold",
    labelsize="large",
    titleweight="bold",
    titlesize=16,
    titlepad=10,
)
plot_params = dict(
    color="0.75",
   ,
    markeredgecolor="0.25",
    markerfacecolor="0.25",
)
%config InlineBackend.figure_format = 'retina'
def lagplot(x, y=None, lag=1, standardize=False, ax=None, **kwargs):
    from matplotlib.offsetbox import AnchoredText
    x_ = x.shift(lag)
    if standardize:
        x_ = (x_ - x_.mean()) / x_.std()
    if y is not None:
        y_ = (y - y.mean()) / y.std() if standardize else y
    else:
        y_ = x
    corr = y_.corr(x_)
    if ax is None:
        fig, ax = plt.subplots()
    scatter_kws = dict(
        alpha=0.75,
        s=3,
    )
    line_kws = dict(color='C3', )
    ax = sns.regplot(x=x_,
                     y=y_,
                     scatter_kws=scatter_kws,
                     line_kws=line_kws,
                     lowess=True,
                     ax=ax,
                     **kwargs)
    at = AnchoredText(
        f"{corr:.2f}",
        prop=dict(size="large"),
        frameon=True,
        loc="upper left",
    )
    at.patch.set_boxstyle("square, pad=0.0")
    ax.add_artist(at)
    ax.set(title=f"Lag {lag}", xlabel=x_.name, ylabel=y_.name)
    return ax
def plot_lags(x, y=None, lags=6, nrows=1, lagplot_kwargs={}, **kwargs):
    import math
    kwargs.setdefault('nrows', nrows)
    kwargs.setdefault('ncols', math.ceil(lags / nrows))
    kwargs.setdefault('figsize', (kwargs['ncols'] * 2, nrows * 2 + 0.5))
    fig, axs = plt.subplots(sharex=True, sharey=True, squeeze=False, **kwargs)
    for ax, k in zip(fig.get_axes(), range(kwargs['nrows'] * kwargs['ncols'])):
        if k + 1 <= lags:
            ax = lagplot(x, y, lag=k + 1, ax=ax, **lagplot_kwargs)
            ax.set_title(f"Lag {k + 1}", fontdict=dict(fontsize=14))
            ax.set(xlabel="", ylabel="")
        else:
            ax.axis('off')
    plt.setp(axs[-1, :], xlabel=x.name)
    plt.setp(axs[:, 0], ylabel=y.name if y is not None else x.name)
    fig.tight_layout(w_pad=0.1, h_pad=0.1)
    return fig
data_dir = Path("../input/ts-course-data")
flu_trends = pd.read_csv(data_dir / "flu-trends.csv")
flu_trends.set_index(
    pd.PeriodIndex(flu_trends.Week, freq="W"),
    inplace=True,
)
flu_trends.drop("Week", axis=1, inplace=True)
ax = flu_trends.FluVisits.plot(title='Flu Trends', **plot_params)
_ = ax.set(ylabel="Office Visits")

 

 

我们的流感趋势数据显示了不规则的周期而不是常规的季节性:高峰往往出现在新年前后,但有时更早或更晚,有时更大或更小。 使用滞后特征对这些周期进行建模将使我们的预测者能够对不断变化的条件做出动态反应,而不是像季节性特征那样受限于确切的日期和时间。

 

让我们先看一下滞后和自相关图:

 

_ = plot_lags(flu_trends.FluVisits, lags=12, nrows=2)
_ = plot_pacf(flu_trends.FluVisits, lags=12)

 

 

 

滞后图表明 FluVisits 与其滞后的关系主要是线性的,而偏自相关表明可以使用滞后 1、2、3 和 4 捕获依赖关系。我们可以使用 shift 方法滞后 Pandas 中的时间序列。 对于这个问题,我们将用 0.0 填充滞后创建的缺失值。

 

def make_lags(ts, lags):
    return pd.concat(
        {
            f'y_lag_{i}': ts.shift(i)
            for i in range(1, lags + 1)
        },
        axis=1)
X = make_lags(flu_trends.FluVisits, lags=4)
X = X.fillna(0.0)

 

我们能够为训练数据之外的任意多个步骤创建预测。 然而,当使用滞后特征时,我们仅限于预测滞后值可用的时间步长。 在星期一使用滞后 1 功能,我们无法对星期三进行预测,因为所需的滞后 1 值是星期二,但尚未发生。

 

对于当前这个例子,我们将只使用来自测试集的值。

 

# Create target series and data splits
y = flu_trends.FluVisits.copy()
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=60, shuffle=False)
# Fit and predict
model = LinearRegression()  # `fit_intercept=True` since we didn't use DeterministicProcess
model.fit(X_train, y_train)
y_pred = pd.Series(model.predict(X_train), index=y_train.index)
y_fore = pd.Series(model.predict(X_test), index=y_test.index)
ax = y_train.plot(**plot_params)
ax = y_test.plot(**plot_params)
ax = y_pred.plot(ax=ax)
_ = y_fore.plot(ax=ax, color='C3')

 

 

只看预测值,我们可以看到我们的模型如何需要一个时间步来对目标序列的突然变化做出反应。 这是仅使用目标系列的滞后作为特征的模型的常见限制。

 

ax = y_test.plot(**plot_params)
_ = y_fore.plot(ax=ax, color='C3')

 

 

为了改进预测,我们可以尝试找到领先指标,即可以为流感病例变化提供“预警”的时间序列。 对于我们的第二种方法,我们将在我们的训练数据中添加一些由谷歌趋势测量的与流感相关的搜索词的流行度。

 

将搜索短语“FluCough”与目标“FluVisits”绘制成图表表明,此类搜索词可能作为领先指标有用:与流感相关的搜索往往在就诊前几周变得更受欢迎。

 

ax = flu_trends.plot(
    y=["FluCough", "FluVisits"],
    secondary_y="FluCough",
)

 

 

该数据集包含 129 个这样的术语,我们只使用其中的几个。

 

search_terms = ["FluContagious", "FluCough", "FluFever", "InfluenzaA", "TreatFlu", "IHaveTheFlu", "OverTheCounterFlu", "HowLongFlu"]
# Create three lags for each search term
X0 = make_lags(flu_trends[search_terms], lags=3)
# Create four lags for the target, as before
X1 = make_lags(flu_trends['FluVisits'], lags=4)
# Combine to create the training data
X = pd.concat([X0, X1], axis=1).fillna(0.0)

 

我们的预测有点粗糙,但我们的模型似乎能够更好地预测流感访问量的突然增加,这表明搜索流行度的几个时间序列作为领先指标确实是有效的。

 

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=60, shuffle=False)
model = LinearRegression()
model.fit(X_train, y_train)
y_pred = pd.Series(model.predict(X_train), index=y_train.index)
y_fore = pd.Series(model.predict(X_test), index=y_test.index)
ax = y_test.plot(**plot_params)
_ = y_fore.plot(ax=ax, color='C3')

 

 

本文中的时间序列可以称为“纯循环”:它们没有明显的趋势或季节性。时间序列同时拥有趋势、季节性和周期,可以通过为每个组件添加适当的特征来使用线性回归对此类序列进行建模。甚至可以将经过训练以分别学习组件的模型混合起来进行操作。

Be First to Comment

发表评论

您的电子邮箱地址不会被公开。