Transformer时间序列预测实战：如何用个人业务数据替换ETTh1进行滚动预测与结果分析

Transformer时间序列预测实战：从公开数据集到业务数据的无缝迁移指南

当你第一次接触Transformer时间序列预测时，可能已经跑通了ETTh1这类公开数据集的Demo。但真正令人头疼的是：如何将这套方法迁移到自己的业务数据上？本文将带你跨越这道鸿沟，从数据格式转换到滚动预测配置，手把手实现业务数据的预测落地。

1. 业务数据与公开数据集的格式差异解析

公开数据集如ETTh1通常已经过标准化处理，而业务数据往往存在各种"脏数据"特征。我们先看一个典型业务CSV与ETTh1的结构对比：

关键转换步骤：

# 业务数据预处理示例 import pandas as pd # 读取原始业务数据 raw_data = pd.read_csv('sales_data.csv') # 时间列标准化 raw_data['date'] = pd.to_datetime(raw_data['timestamp']).dt.floor('h') # 按小时对齐 # 处理缺失值 data = raw_data.set_index('date').interpolate().reset_index() # 重命名目标列（假设销售额是预测目标） data.rename(columns={'total_sales': 'OT'}, inplace=True) # 保存为模型可读格式 data.to_csv('processed_business_data.csv', index=False)

注意：业务数据的features参数通常选择'MS'（多变量预测单变量），因为实际场景中我们往往需要利用所有可用特征来预测核心指标。

2. 模型参数的业务化改造策略

原始代码中的参数配置需要针对业务数据做针对性调整。以下是关键参数的业务适配指南：

2.1 时间相关参数

parser.add_argument('--freq', type=str, default='h', help='业务数据常见选项: h(小时), d(天), b(工作日)') parser.add_argument('--seq_len', type=int, default=168, help='建议设置为业务周期整数倍，如零售业7天周期可用168(小时)') parser.add_argument('--pred_len', type=int, default=24, help='根据业务需求设定，如预测未来1天设为24')

2.2 数据特征配置

# 查看业务数据特征数量 import pandas as pd df = pd.read_csv('processed_business_data.csv') num_features = len(df.columns) - 1 # 减去时间列 parser.add_argument('--enc_in', type=int, default=num_features, help='编码器输入尺寸=业务特征总数') parser.add_argument('--dec_in', type=int, default=num_features, help='解码器输入尺寸=业务特征总数') parser.add_argument('--c_out', type=int, default=1, help='输出维度通常为1(单变量预测)')

2.3 训练策略优化

parser.add_argument('--train_epochs', type=int, default=50, help='业务数据通常需要更多训练轮次') parser.add_argument('--batch_size', type=int, default=32, help='根据GPU内存调整，业务数据可能更大') parser.add_argument('--learning_rate', type=float, default=0.0001, help='业务数据建议更小的学习率')

3. 滚动预测的业务落地技巧

滚动预测(rolling forecast)是业务场景中最实用的预测方式，其核心在于模拟实时预测环境。我们通过分步拆解实现这一过程：

3.1 滚动预测数据准备

1. 将业务数据按时间排序后分割：

   • 训练集：前80%数据
   • 验证集：中间10%数据
   • 测试集：最后10%数据（用于滚动预测）

2. 测试集需要保持与训练集完全相同的特征顺序和格式

3.2 滚动预测参数配置

parser.add_argument('--rollingforecast', type=bool, default=True) parser.add_argument('--rolling_data_path', type=str, default='business_data_test.csv') parser.add_argument('--label_len', type=int, default=72, help='建议设置为seq_len的1/3到1/2')

3.3 预测结果后处理

滚动预测会产生多个预测片段，需要拼接并添加时间戳：

def merge_rolling_forecasts(predictions, test_data): timestamps = test_data['date'].iloc[-len(predictions):] result = pd.DataFrame({ 'timestamp': timestamps, 'actual': test_data['OT'].iloc[-len(predictions):], 'predicted': predictions.flatten() }) return result # 保存预测结果 merged_results.to_csv('rolling_forecast_results.csv', index=False)

4. 业务预测结果的可视化分析

不同于学术研究，业务预测需要更直观的可视化来支持决策。推荐以下几种专业级可视化方式：

4.1 动态误差带展示

import plotly.graph_objects as go fig = go.Figure() fig.add_trace(go.Scatter( x=results['timestamp'], y=results['actual'], name='实际值', line=dict(color='blue') )) fig.add_trace(go.Scatter( x=results['timestamp'], y=results['predicted'], name='预测值', line=dict(color='red') )) fig.add_trace(go.Scatter( x=results['timestamp'], y=results['predicted']*1.1, fill=None, mode='lines', line=dict(width=0), showlegend=False )) fig.add_trace(go.Scatter( x=results['timestamp'], y=results['predicted']*0.9, fill='tonexty', mode='lines', line=dict(width=0), name='误差范围' )) fig.update_layout(title='业务预测结果对比（带10%误差范围）') fig.show()

4.2 关键指标计算表

# 关键指标计算代码 def business_metrics(actual, predicted): mape = np.mean(np.abs((actual - predicted)/actual)) * 100 rmse = np.sqrt(np.mean((actual - predicted)**2)) 达标率 = np.mean(np.abs((actual - predicted)/actual) < 0.05) * 100 return {'MAPE': mape, 'RMSE': rmse, '达标率': 达标率}

5. 业务场景中的特殊问题处理

实际业务部署时会遇到一些公开数据集中不常见的问题，这里提供解决方案：

5.1 间断性业务数据

对于零售业等存在营业时间断层的场景：

# 创建营业时间掩码 business_hours = (data['timestamp'].dt.hour >= 9) & (data['timestamp'].dt.hour <= 21) data['valid'] = business_hours.astype(int) # 在DataEmbedding中添加掩码处理 class BusinessDataEmbedding(nn.Module): def __init__(self, c_in, d_model, dropout=0.1): super().__init__() self.value_embedding = nn.Linear(c_in, d_model) self.valid_embedding = nn.Embedding(2, d_model) # 0/1两种状态 def forward(self, x, x_mark): # x_mark包含valid列 val_embed = self.value_embedding(x) valid_embed = self.valid_embedding(x_mark[:,-1].long()) return val_embed + valid_embed

5.2 多周期特征融合

业务数据往往包含多个周期特征（日周期、周周期等）：

# 在数据预处理阶段添加周期特征 data['day_of_week'] = data['timestamp'].dt.dayofweek data['hour_of_day'] = data['timestamp'].dt.hour data['is_weekend'] = data['day_of_week'] >= 5 # 修改模型参数 parser.add_argument('--embed', type=str, default='timeF', help='使用时间特征编码') parser.add_argument('--embed_type', type=int, default=0, help='启用完整的时间嵌入')

6. 模型效果不佳时的业务调优策略

当预测效果不理想时，可以尝试以下业务导向的优化方法：

6.1 特征工程增强

• 业务知识特征：添加促销活动标记、节假日标记等
• 衍生特征：创建同比/环比特征、移动平均特征
• 外部特征：整合天气数据、经济指标等外部数据源

6.2 模型结构调整

# 更适合业务数据的Transformer变体配置 parser.add_argument('--n_heads', type=int, default=4, help='业务数据通常需要更多注意力头') parser.add_argument('--e_layers', type=int, default=3, help='更深的编码器捕捉复杂业务模式') parser.add_argument('--d_ff', type=int, default=1024, help='减小中间维度防止业务数据过拟合')

6.3 预测结果后校准

建立误差校正模型：

# 使用预测误差训练校正模型 from sklearn.ensemble import GradientBoostingRegressor # 准备校正训练数据 X_correct = predictions[['predicted', 'hour', 'day_of_week']] y_correct = predictions['actual'] - predictions['predicted'] # 训练校正模型 corrector = GradientBoostingRegressor().fit(X_correct, y_correct) # 应用校正 predictions['corrected'] = predictions['predicted'] + corrector.predict(X_correct)

7. 业务预测系统的持续优化

建立预测监控体系是业务落地的关键：

1. 性能看板：实时显示预测准确率和业务影响
2. 自动重训机制：当预测误差连续3天超过阈值时自动触发模型重训
3. AB测试框架：对比不同模型版本的业务指标提升

# 自动化监控示例 class PredictionMonitor: def __init__(self, threshold=0.1): self.error_window = [] self.threshold = threshold def update(self, actual, predicted): error = np.mean(np.abs(actual - predicted)/actual) self.error_window.append(error) if len(self.error_window) > 3: self.error_window.pop(0) if len(self.error_window) == 3 and all(e > self.threshold for e in self.error_window): self.trigger_retraining() def trigger_retraining(self): # 实现自动重训逻辑 print("触发模型重训...")