ML-For-Beginners 时间序列预测实战基于支持向量回归器SVR构建能源负荷预测模型【免费下载链接】ML-For-Beginners12 weeks, 26 lessons, 52 quizzes, classic Machine Learning for all项目地址: https://gitcode.com/GitHub_Trending/ml/ML-For-Beginners导读本文基于 ML-For-Beginners 课程中 7-TimeSeries/3-SVR/README.md 的完整 SVR 建模教程围绕课程作业构建一个新的 SVR 模型展开。你将掌握如何用 scikit-learn 的SVR对连续值时间序列GEFCom 2014 电力负荷数据进行预测如何通过时间步张量重塑输入、用MinMaxScaler归一化、以 MAPE 评估精度并完成换新数据 调超参数 改时间步长的进阶练习。阅读后可独立复现整个 SVR 时间序列预测管线并知道如何把该方法迁移到其他数据集。为什么用 SVR 做时间序列预测在上一课 ARIMA 中你已经了解 ARIMA 是预测时间序列的经典统计线性方法。然而很多真实时间序列具有非线性特征线性模型难以刻画。SVM 能够利用核函数将数据映射到高维空间以捕捉非线性关系这让它的回归版本SVRSupport Vector Regressor在时间序列预测中表现良好。三个关键概念来自 SVR 教程 的术语表回归Regression监督学习技术根据给定输入预测连续值核心思想是在特征空间中拟合一条经过最多数据点的曲线或直线。支持向量机SVM用于分类、回归和异常值检测的监督学习模型。模型是特征空间中的一个超平面——分类时作为决策边界回归时作为最佳拟合线。通常用核函数把数据集变换到更高维空间使其更易分离。支持向量回归器SVRSVM 的一种用于寻找包含最多数据点的最佳拟合线即 SVM 语境下的超平面。数据集与辅助工具本课使用的数据是 GEFCom 2014 电力负荷数据集位于 7-TimeSeries/data/energy.csv时间跨度从 2012 年 1 月到 2014 年 12 月按小时记录。仓库在 7-TimeSeries/common/utils.py 中提供了两个与本课直接相关的工具函数load_data(data_dir)读取energy.csv把timestamp列解析为日期后设为索引并用pd.date_range(..., freqH)重索引确保时间序列每个小时都有记录该数据集没有缺失时间段。mape(predictions, actuals)计算平均绝对百分比误差公式为(|预测值 - 真实值| / 真实值).mean()本课用它量化模型精度。# 来自 7-TimeSeries/common/utils.py 的核心实现 energy pd.read_csv(os.path.join(data_dir, energy.csv), parse_dates[timestamp]) energy.index energy[timestamp] energy energy.reindex(pd.date_range(min(energy[timestamp]), max(energy[timestamp]), freqH)) energy energy.drop(timestamp, axis1)完整建模流程从数据到 SVR 预测完整可运行的代码在 7-TimeSeries/3-SVR/working/notebook.ipynb注意工作目录中的 notebook 是留给学习者填写的练习版本超参数与张量构造处留有空位下文代码为教程给出的完整实现可直接对照填写。本课的数据准备前几步与 ARIMA 课 相同。第一步导入库并加载数据import sys sys.path.append(../../)import os import warnings import matplotlib.pyplot as plt import numpy as np import pandas as pd import datetime as dt import math from sklearn.svm import SVR from sklearn.preprocessing import MinMaxScaler from common.utils import load_data, mapeenergy load_data(../../data)[[load]]第二步可视化全部数据energy.plot(yload, subplotsTrue, figsize(15, 8), fontsize12) plt.xlabel(timestamp, fontsize12) plt.ylabel(load, fontsize12) plt.show()第三步划分训练集与测试集划分的原则是测试集在时间上必须晚于训练集避免模型从未来时间段获取信息即防止过拟合式的数据泄露。教程将训练集设为 2014-11-01 至 2014-12-29测试集为 2014-12-30 起至数据末尾。train_start_dt 2014-11-01 00:00:00 test_start_dt 2014-12-30 00:00:00energy[(energy.index test_start_dt) (energy.index train_start_dt)][[load]].rename(columns{load:train}) \ .join(energy[test_start_dt:][[load]].rename(columns{load:test}), howouter) \ .plot(y[train, test], figsize(15, 8), fontsize12) plt.xlabel(timestamp, fontsize12) plt.ylabel(load, fontsize12) plt.show()第四步过滤与缩放数据按时间段过滤出训练/测试子集并用MinMaxScaler把数据缩放到 (0, 1) 区间train energy.copy()[(energy.index train_start_dt) (energy.index test_start_dt)][[load]] test energy.copy()[energy.index test_start_dt][[load]] print(Training data shape: , train.shape) print(Test data shape: , test.shape)Training data shape: (1416, 1) Test data shape: (48, 1)scaler MinMaxScaler() train[load] scaler.fit_transform(train) test[load] scaler.transform(test)注意缩放细节训练集用fit_transform拟合缩放器参数最小值、最大值测试集只用transform复用同一组参数这保证训练与测试在相同尺度上也是避免数据泄露的关键一步。第五步构造时间步张量SVR 的输入形式为[batch, timesteps]需要把一维序列重构成用前 N 个时间步预测第 N1 个的滑动窗口样本。教程取timesteps 5即用前 4 个时间步的数据作为输入第 5 个时间步作为输出。# 转换为 numpy 数组 train_data train.values test_data test.values # 选择时间步数 timesteps 5 # 训练数据转为 2D 张量嵌套列表推导 train_data_timesteps np.array([[j for j in train_data[i:itimesteps]] for i in range(0, len(train_data)-timesteps1)])[:,:,0] print(train_data_timesteps.shape) # 输出 (1412, 5) # 测试数据转为 2D 张量 test_data_timesteps np.array([[j for j in test_data[i:itimesteps]] for i in range(0, len(test_data)-timesteps1)])[:,:,0] print(test_data_timesteps.shape) # 输出 (44, 5) # 选取输入与输出 x_train, y_train train_data_timesteps[:,:timesteps-1], train_data_timesteps[:,[timesteps-1]] x_test, y_test test_data_timesteps[:,:timesteps-1], test_data_timesteps[:,[timesteps-1]] print(x_train.shape, y_train.shape) # (1412, 4) (1412, 1) print(x_test.shape, y_test.shape) # (44, 4) (44, 1)窗口滑动原理1416 个训练样本生成 1416 - 5 1 1412 个窗口每个窗口取前 4 步作为x、第 5 步作为y。滑动步长为 1即窗口逐小时前移。第六步实现 SVR 模型实现分三步调用SVR()定义模型并传入超参数 → 调用fit()在训练数据上拟合 → 调用predict()做预测。# 使用 RBF 核gamma0.5, C10, epsilon0.05 model SVR(kernelrbf, gamma0.5, C10, epsilon0.05)# 拟合训练数据 model.fit(x_train, y_train[:, 0])SVR(C10, cache_size200, coef00.0, degree3, epsilon0.05, gamma0.5, kernelrbf, max_iter-1, shrinkingTrue, tol0.001, verboseFalse)# 预测 y_train_pred model.predict(x_train).reshape(-1, 1) y_test_pred model.predict(x_test).reshape(-1, 1) print(y_train_pred.shape, y_test_pred.shape) # (1412, 1) (44, 1)超参数含义解析对应 sklearn 的 RBF 核参数kernelrbf径向基核函数把数据隐式映射到高维空间以捕捉非线性是时间序列 SVR 的默认首选。gamma取值 0.5RBF 核的带宽系数控制单个训练样本的影响半径。gamma 越大决策边界越弯曲、越容易过拟合越小则越平滑。C取值 10正则化参数衡量误差容忍度与模型复杂度之间的权衡。C 越大越倾向于最小化训练误差可能过拟合越小则允许更多误差换取更平滑的模型。epsilon取值 0.05epsilon 不敏感损失函数的管径落在该误差带内的样本不计算损失直接决定回归管道的宽度。fit()后打印出的完整参数列表还揭示了其余默认值cache_size200核缓存大小单位 MB、coef00.0与degree3仅对 poly/sigmoid 核生效、shrinkingTrue启发式裁剪、tol0.001停止迭代的容差、verboseFalse。调参时通常只需关注kernel/gamma/C/epsilon四者。第七步评估模型评估前先要把预测结果和真实值反缩放回原始量纲# 反缩放预测值 y_train_pred scaler.inverse_transform(y_train_pred) y_test_pred scaler.inverse_transform(y_test_pred) # 反缩放真实值 y_train scaler.inverse_transform(y_train) y_test scaler.inverse_transform(y_test)由于第一个输出的输入是前timesteps-1个时间步输出对应的时间戳要从第timesteps-1个索引之后开始取train_timestamps energy[(energy.index test_start_dt) (energy.index train_start_dt)].index[timesteps-1:] test_timestamps energy[test_start_dt:].index[timesteps-1:] print(len(train_timestamps), len(test_timestamps)) # 1412 44训练集评估plt.figure(figsize(25, 6)) plt.plot(train_timestamps, y_train, colorred, linewidth2.0, alpha0.6) plt.plot(train_timestamps, y_train_pred, colorblue, linewidth0.8) plt.legend([Actual, Predicted]) plt.xlabel(Timestamp) plt.title(Training data prediction) plt.show()print(MAPE for training data: , mape(y_train_pred, y_train)*100, %)MAPE for training data: 1.7195710200875551 %测试集评估plt.figure(figsize(10, 3)) plt.plot(test_timestamps, y_test, colorred, linewidth2.0, alpha0.6) plt.plot(test_timestamps, y_test_pred, colorblue, linewidth0.8) plt.legend([Actual, Predicted]) plt.xlabel(Timestamp) plt.show()print(MAPE for testing data: , mape(y_test_pred, y_test)*100, %)MAPE for testing data: 1.2623790187854018 %测试集 MAPE 约 1.26%说明模型在未见过的未来数据上表现很好教程原文评价You have a very good result on the testing dataset!。全量数据集评估# 提取 load 值为 numpy 数组 data energy.copy().values # 缩放 data scaler.transform(data) # 转为模型输入要求的 2D 张量 data_timesteps np.array([[j for j in data[i:itimesteps]] for i in range(0, len(data)-timesteps1)])[:,:,0] print(Tensor shape: , data_timesteps.shape) # (26300, 5) # 选取输入与输出 X, Y data_timesteps[:,:timesteps-1], data_timesteps[:,[timesteps-1]] print(X shape: , X.shape, \nY shape: , Y.shape) # (26300, 4) (26300, 1) # 预测并反缩放 Y_pred model.predict(X).reshape(-1, 1) Y_pred scaler.inverse_transform(Y_pred) Y scaler.inverse_transform(Y) plt.figure(figsize(30, 8)) plt.plot(Y, colorred, linewidth2.0, alpha0.6) plt.plot(Y_pred, colorblue, linewidth0.8) plt.legend([Actual, Predicted]) plt.xlabel(Timestamp) plt.show() print(MAPE: , mape(Y_pred, Y)*100, %)MAPE: 2.0572089029888656 %全量 26300 个窗口的 MAPE 约 2.06%红色真实曲线与蓝色预测曲线高度贴合教程原文评价Very nice plots, showing a model with good accuracy。注意全量评估时同样只对数据做transform不做fit_transform复用训练阶段学到的缩放参数。作业实践构建你自己的新 SVR 模型课程作业德语版英文原版要求在完成上述 SVR 模型之后用一份全新数据再构建一个 SVR 模型并完成四件事换新数据作业建议使用 Duke 大学维护的时间序列数据集原文给出了数据集站点链接。Notebook 注释在 Jupyter Notebook 中记录全部工作对每个步骤给出文字说明——这与本课练习版 notebook 7-TimeSeries/3-SVR/working/notebook.ipynb 中留空待填的代码位timestepsNone、modelNone、y_train_predNone等形成呼应作业要求的就是把填空升级为从零搭建。可视化绘制原始数据、训练/测试划分、训练集预测、测试集预测和全量预测图可复用本课的五张结果图类型。MAPE 精度评估分别报告训练集、测试集、全量数据集的 MAPE。同时作业明确要求做两组实验调整不同超参数修改gamma、C、epsilon可尝试网格搜索式组合如gamma在 0.1~1.0 之间、C在 1~100 之间、epsilon在 0.01~0.1 之间观察测试集 MAPE 的变化规律——一般而言epsilon过大模型过于粗糙、C过大容易过拟合需要结合训练/测试 MAPE 的差距判断。使用不同的时间步长值把timesteps从 5 改为其他值如 1、10、24体会回看窗口长度对预测精度的影响窗口过短丢失历史模式过长则可能引入噪声并显著减少样本数样本数 序列长度 - timesteps 1。评分标准解读作业提供了三档评分表translations/de/7-TimeSeries/3-SVR/assignment.md标准优秀合格待改进交付物提交一个 NotebookSVR 模型完成构建、测试并通过可视化与明确的精度指标MAPE解释结果Notebook 无注释或存在 Bug提交的是不完整 Notebook对照打分交付时请重点自查notebook 是否对每个代码块有 markdown 注释、是否同时给出了预测图与 MAPE 数值、是否真的换用了新数据集而不是照抄 energy.csv。该作业文本基于 ARIMA 课作业 改写区别在于ARIMA 作业只要求 MAPE 评估而 SVR 作业额外要求可视化数据与模型并调整超参数与时间步长实践维度更深。常见误区与注意事项数据泄露MinMaxScaler必须只在训练集上fit测试集与全量数据只transform否则缩放器见过未来数据MAPE 会虚高。时间顺序测试集必须晚于训练集。本课训练集覆盖 11 月、测试集覆盖 12 月末正是为了保证模型不接触未来信息。张量形状SVR 输入必须是二维[样本数, 时间步数]窗口构造后样本数会减少timesteps - 1个时间戳轴也要相应错位否则绘图会错位或报维度错误。超参数组合RBF 核的gamma、C、epsilon三者相互制约调参应整体观察训练/测试 MAPE 而非只看测试集防止过拟合被掩盖。总结从数据加载、训练/测试划分、MinMaxScaler归一化、时间步张量构造到SVR(kernelrbf, gamma0.5, C10, epsilon0.05)的拟合预测与 MAPE 评估本课完整展示了一条可迁移的 SVR 时间序列预测管线。测试集 1.26% 与全量 2.06% 的 MAPE 表明当数据存在非线性时SVR 是 ARIMA 之外的高精度替代方案。完成作业时记得换新数据、写清注释、画全图、算 MAPE并大胆尝试超参数与时间步长组合——那正是从会跑教程走向会用模型的关键一步。【免费下载链接】ML-For-Beginners12 weeks, 26 lessons, 52 quizzes, classic Machine Learning for all项目地址: https://gitcode.com/GitHub_Trending/ml/ML-For-Beginners创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考