时序预测的结果都是一个趋势
- 现象
- 原因
- solution
- other solutions
- 时序数据预测优化
- 1.负样本少的情况下，上采样增加某类难以预测的负样本
- 2.工艺规律
- 不平衡样本
现象
预测的是一个序列。
在测试集中随机取20个来看，所有的预测序列都是一个趋势，但是大小有所区别。
举例图片
原因
目前来看是数据的问题，应该是样本不均衡，某一类样本过于多，导致模型学到的都是那种样本后面的序列的形状。
在使用另一段时间的数据集，以同样的模型预测同样长度的序列后，就会有好一点的效果：
solution
后面尝试一下正样本降采样。
other solutions
另外再粘贴一些别人总结的可能的解决方法。
https://zhuanlan.zhihu.com/p/400492431 https://www.zhihu.com/question/365057522/answer/2124017876
时序数据预测优化
1.负样本少的情况下，上采样增加某类难以预测的负样本
如果发现某类数据趋势样本很少所以很难预测出来，则需要在训练集中造这类样本，增加其比例。
2.工艺规律
对于预测优化，首先应该把预测不准的都拿出来看。
一方面是画出预测值与ground truth，另一方面，涉及到其他如设备参数，应该找到对应的时间戳将设备参数取出分析。分析设备参数是否会在附近的时间步内发生了变化。从而总结出标签趋势变化的原因。
然后再把我们总结的规律和工艺人员讨论。对于一些特殊类型的，工艺人员认为不合理的，或者是突变的数据，应予以剔除。
不平衡样本
处理的一种方法是
假设共有4种类型的数据，ABCD，其中A的样本特别多，BCD样本特别少。
一方面我们可以对A做抽取删除，对BCD做数据增强。
另一方面，可以把数据分为2大类，类１：A，类２：BCD，每次batch取数的时候，保证从类１抽一部分，类２抽一部分。
这样可以保证每个epoch的训练都有样本少的类型，保证其能够学到少而有用的信息。
reference：
https://www.lmlphp.com/user/57801/article/item/2581625/
