将扩展窗口交叉验证的statsforecast实现应用于不同长度的多个时间序列

Question

我希望通过在时间序列数据集上使用 statsforecast 实施扩展窗口交叉验证来评估不同经典时间序列预测模型的准确性，该数据集具有许多唯一 ID，这些 ID 具有不同的时间长度（范围在 1 到 48 个月之间）。我想预测每个窗口结束月份后的接下来七个月，并使用一些误差指标（例如 sMAPE）评估准确性。不同的时间序列存在潜在的季节性和趋势，所以我也想在交叉验证过程中捕获这些。但是，我有困难并且没有完全理解包的交叉验证功能中的不同参数（

step_size

，

n_windows

，

test_size

）。

有人可以建议我设置正确的参数吗？我正在寻找的功能是否可以通过包中提供的功能实现？如何确定

step_size

、

test_size

和

n_windows

的最佳值？

仅供参考，我的数据如下所示：

df=

	唯一_id	ds	y
0	111111	2000-01-01	9
1	111111	2000-02-01	9
2	111111	2000-03-01	10
3	111111	2000-04-01	4
...	...	...	...
999999	111269	2003-10-01	32532
1000000	111269	2003-11-01	0
1000001	111269	2003-12-01	984214

明确地说，各个 unique_id 的历史记录可能会有所不同（即，时间序列的长度在 unique_ids 之间不相等。）

我已经使用必要的模型实例化了我的 StatsForecast 对象：

sf = StatsForecast(
    df=df,
    models=[AutoARIMA(season_length=12), AutoETS(error_type='zzz'), Naive()],
    freq='MS',
    n_jobs=-1,
    fallback_model=Naive()
)

然后，我调用cross_validation方法：

results_cv = sf.cross_validation(
    h=7 # Predict each of the future seven months
    step_size=?,
    n_windows=?
)

我已经尝试了step_size和n_windows的各种参数值，也尝试了单独的test_size（例如，7，因为我想比较每个窗口中过去7个月的实际值和预测值），但我总是留下出现以下错误：

我希望最终结果看起来与 statsforecast 教程中提供的数据框类似：

或向下滚动到“crossvaldation_df.head()”

任何指点将不胜感激。谢谢！

Answer 1

我遇到了与使用大于系列尺寸的

step_size

相关的类似问题。您可以尝试过滤掉较小的系列或尝试在这些系列的开头添加零。

您可以通过以下方式检查：

df.groupby('unique_id').agg({'y': 'count'}).sort_values(by='y')

希望有帮助！

Answer 2

根据我的理解/实验，对地平线、截止/n_windows 和步长的各种值进行：https://github.com/moj-analytical-services/splink/discussions/2087#discussion-6404591