为时间序列预测准备数据答案

【问题标题】：Preparing the data for the time-series forecasting为时间序列预测准备数据
【发布时间】：2021-09-19 19:18:15
【问题描述】：

有如下数据：这是为实际问题准备的。

计划首先应用简单的机器学习模型，例如 MLP，然后应用更复杂的模型，例如 LSTM。但是，在使用任何模型之前，我知道我必须准备数据集。对于那部分，我对某些功能有点困惑。这是我计划为每个功能做的事情。

月份：使用 one-hot 编码，例如一月为[0 0 0 0 0 0 0 0 0 0 0 1]，二月为[0 0 0 0 0 0 0 0 0 0 1 0] 等。
周：保持原样。
Day : 使用 one-hot 编码，例如星期一为[0 0 0 0 0 0 1]，星期二为[0 0 0 0 0 1 0] 等。
日期：删除
年份：删除它
Regular Day?： 使用 one-hot 编码，例如常规为[0 0 1]，国定假日为[0 1 0] 等。
小时：保持原样
Temreat：保持原样

我还是有一些疑问，我不确定我是否遵循正确的方法。

任何人都可以确认、修复或推荐我正在尝试做的事情。

【问题讨论】：

【解决方案1】：

我不会说只有一种有效的方法可以解决此类问题。您的方法似乎有效（至少对我而言）。

几点说明：

确保您的验证集出现在您的训练集之后，并确保您的测试集出现在您的验证集之后。此类问题与可能不受时间限制的传统问题所采用的方法不同。
对于一周中的几天，我建议使用比 one-hot 编码更模拟的方式。例如，不要将星期一表示为 [0 0 0 0 0 0 1]，而是将其表示为 [0.5 0.1 0 0 0.1 0.5 1]（选择所需的权重）。这可能有助于您的模型将星期一与星期日和星期二联系起来。不确定此方法是否有名称。您也可以在数小时和数月内这样做。
如果可以，请为您的准备代码编写测试； python很容易错过/弄乱一些东西，如果你提前编写测试，它将帮助你。对我来说，我犯了无数次这个错误，我不写测试，我最终错过了一些东西，模型最终在解决问题时表现得不同。确保为您对数据的任何假设编写测试/检查。
尽可能可视化/绘制特征/结果，这有助于您在特征方面进行创新、发现问题和解释模型。
不要马上开始训练。尽管这可能是最有成效和最有趣的阶段，但您可以轻松地在此过程中滑倒一两件事。清理数据、探索数据、特征工程和自动化所有这些（如果您要重复）与培训一样重要。

【讨论】：