📊 数据清洗与特征工程
1. DeterministicProcess生成时间序列特征
用于生成时间序列的基础特征，包括趋势和周期性成分
可以指定趋势的阶数（如线性、二次等）和季节性周期
2. 季节性特征处理
工作日周期拟合：考虑一周内不同日期的销售模式差异
傅里叶周期拟合：使用傅里叶级数捕捉复杂的周期性模式
适合处理非整数周期或复杂季节性模式
3. 特殊事件处理
假期数据拟合：标记节假日，考虑其对销量的特殊影响
灾难日数据拟合：标记异常事件日（如疫情、自然灾害等）
4. 特征编码方法
非数字型参数编码：
使用nn.Embedding将类别特征集成为低维向量
或直接展开为布尔类型（one-hot编码）
数字缺失值处理：
采用线性插值方法填补缺失值
保持时间序列的连续性
🤖 LSTM模型构建要点
模型结构特点
text
LSTM模型结构：
输入层 → LSTM层（隐藏层） → LSTM层（输出层） → 全连接层
关键设计
输出层与隐藏层同维：LSTM的输出层默认与隐藏层大小相同
添加全连接层：为了将输出转换为预测所需的维度（如单步预测）
多步预测处理：可通过滑动窗口或序列到序列结构实现
优势与适用场景
适合捕捉长期依赖关系
能处理非线性时间序列模式
对复杂季节性模式有较好表现
📈 线性回归模型应用
基本特点
训练速度快：相比深度学习模型，训练时间大幅减少
可解释性强：特征权重直观反映影响程度
趋势拟合能力：能有效捕捉数据的线性趋势成分
实践观察
自测效果较差：在复杂时间序列上表现不如LSTM
适合场景：
基线模型建立
快速验证特征有效性
趋势明显的简单时间序列
改进方向
结合特征工程提升性能
作为集成学习的基模型
用于多模型融合中的趋势成分预测
💡 实践建议
模型选择策略
快速迭代：先用线性回归建立基线
复杂模式：使用LSTM处理非线性关系
特征验证：通过线性模型验证特征重要性
特征工程优先级
基础时间特征（年、月、日、星期）
季节性特征（傅里叶级数）
特殊事件标记（假期、异常日）
类别特征嵌入
缺失值处理
优先使用时间序列相关插值方法
避免使用全局统计值填充
考虑业务场景选择插值策略
