使用 XGBoost 进行时间序列预测，人口出生预测迷你教程

素颜马尾好姑娘i 2022-09-13 14:23 1062阅读 0赞

### 文章目录 ###

*  内容介绍
 *  XGBoost 集成
 *  时间序列数据准备
 *  用于时间序列预测的 XGBoost

# 内容介绍 #

XGBoost 是针对分类和回归问题的梯度提升的有效实现。它既快速又高效，在广泛的预测建模任务上表现良好，甚至是最好的，并且是数据科学竞赛获胜者的最爱，例如 Kaggle 上的获胜者。

XGBoost 也可用于时间序列预测，尽管它需要先将时间序列数据集转化为监督学习问题。它还需要使用一种专门的技术来评估模型，称为前向验证，因为使用 k 折交叉验证评估模型会导致乐观偏差的结果。

对于预测来说模型变量中只要包含两类内容，**时间和具体值**即可，文本使用人口出生的例子举例，如果想做股票预测的小伙伴，把数据替换成对应的内容，代码补需要修改即可。

我们的股票数据其实也是一个简单的时间序列数据，随着时间的推移可以在不同的时间阶段产生不同的数据。也是量化交易中常常使用的回归模型。  
![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBATXLmlbDmja7mnag_size_20_color_FFFFFF_t_70_g_se_x_16]

# XGBoost 集成 #

**XGBoost** 是 **Extreme Gradient Boosting** 的缩写，是随机梯度提升机器学习算法的有效实现。

随机梯度提升算法，也称为梯度提升机或树提升，是一种强大的机器学习技术，在各种具有挑战性的机器学习问题上表现良好甚至最佳。

> 《XGBoost: A Scalable Tree Boosting System》 2016年  
> Tree boosting has been shown to give state-of-the-art results on many standard classification benchmarks.  
> 树提升已被证明可以在许多标准分类基准上提供最先进的结果。

它是决策树算法的集合，其中新树修复了那些已经是模型一部分的树的错误。添加树，直到无法对模型进行进一步改进。

XGBoost 提供了一种高效的随机梯度提升算法实现，并提供了一套模型超参数的访问，旨在提供对模型训练过程的控制。

> 《XGBoost: A Scalable Tree Boosting System》 2016年  
> The most important factor behind the success of XGBoost is its scalability in all scenarios. The system runs more than ten times faster than existing popular solutions on a single machine and scales to billions of examples in distributed or memory-limited settings.  
> XGBoost 成功背后最重要的因素是其在所有场景中的可扩展性。该系统在单台机器上的运行速度比现有流行解决方案快十倍以上，并且可以在分布式或内存有限的设置中扩展到数十亿个示例。

XGBoost 专为表格数据集的分类和回归而设计，但也可用于时间序列预测。

首先，必须安装 XGBoost 库。

您可以使用 pip 安装它，如下所示：

**pip install xgboost**

安装后，您可以通过运行以下代码来确认它已成功安装并且您使用的是现代版本：

import xgboost
    print("xgboost", xgboost.__version__)

xgboost 1.0.1

尽管 XGBoost 库有自己的 Python API，但我们可以通过XGBRegressor包装器类将 XGBoost 模型与 scikit-learn API 一起使用。

模型的实例可以像任何其他 scikit-learn 类一样被实例化和用于模型评估。例如：

model = XGBRegressor()

现在我们熟悉了 XGBoost，让我们看看如何为监督学习准备时间序列数据集。

# 时间序列数据准备 #

时间序列数据可以称为监督学习。

给定时间序列数据集的一系列数字，我们可以重构数据，使其看起来像一个监督学习问题。我们可以通过使用前一个时间步作为输入变量并使用下一个时间步作为输出变量来做到这一点。

让我们用一个例子来具体说明这一点。想象一下，我们有一个如下的时间序列：

time, measure
    1, 100
    2, 110
    3, 108
    4, 115
    5, 120

我们可以通过使用前一时间步的值来预测下一时间步的值，将此时间序列数据集重构为监督学习问题。

以这种方式重新组织时间序列数据集，数据将如下所示：

X, y
    ?, 100
    100, 110
    110, 108
    108, 115
    115, 120
    120, ?

请注意，时间列已删除，并且某些数据行无法用于训练模型，例如第一行和最后一行。

这种表示被称为滑动窗口，因为输入和预期输出的窗口随着时间向前移动，为监督学习模型创建新的“样本”。

我们可以使用Pandas 中的shift() 函数自动创建时间序列问题的新框架，给定输入和输出序列的所需长度。

这将是一个有用的工具，因为它可以让我们用机器学习算法探索时间序列问题的不同框架，看看哪些可能会产生更好的模型。

下面的函数将时间序列作为具有一列或多列的 NumPy 数组时间序列，并将其转换为具有指定输入和输出数量的监督学习问题。

# 将时间序列数据集转换为有监督的学习数据集 
    def series_to_supervised(data, n_in=1, n_out=1, dropnan=True):
    	n_vars = 1 if type(data) is list else data.shape[1]
    	df = DataFrame(data)
    	cols = list()
    	# 输入序列 (t-n, ... t-1)
    	for i in range(n_in, 0, -1):
    		cols.append(df.shift(i))
    	# 预测序列 (t, t+1, ... t+n)
    	for i in range(0, n_out):
    		cols.append(df.shift(-i))
    	# 信息汇总
    	agg = concat(cols, axis=1)
    	# 删除空值
    	if dropnan:
    		agg.dropna(inplace=True)
    	return agg.values

我们可以使用此函数为 XGBoost 准备时间序列数据集。

准备好数据集后，我们必须谨慎使用它来拟合和评估模型。

例如，将模型拟合到来自未来的数据并让它预测过去是无效的。该模型必须根据过去进行训练并预测未来。

这意味着不能使用在评估期间随机化数据集的方法，如 k 折交叉验证。相反，我们必须使用一种称为前向验证的技术。

在前向验证中，首先通过选择一个切点将数据集分为训练集和测试集，例如，除最后 12 天以外的所有数据用于训练，最后 12 天用于测试。

如果我们有兴趣进行一步预测，例如一个月，那么我们可以通过在训练数据集上进行训练并在测试数据集中预测第一步来评估模型。然后我们可以将测试集中的真实观察添加到训练数据集中，重新拟合模型，然后让模型预测测试数据集中的第二步。

对整个测试数据集重复此过程将对整个测试数据集进行一步预测，从中可以计算误差度量以评估模型的技能。

下面的函数执行向前验证。

它需要时间序列数据集的整个监督学习版本和用作测试集的行数作为参数。

然后它逐步遍历测试集，调用xgboost\_forecast()函数进行一步预测。计算错误度量并返回详细信息以供分析。

# 单变量数据的前向验证
    def walk_forward_validation(data, n_test):
    	predictions = list()
    	# 切分数据集
    	train, test = train_test_split(data, n_test)
    	# 使用训练数据集历史信息
    	history = [x for x in train]
    	# 步进测试集中的每个时间节点
    	for i in range(len(test)):
    		# 将测试行分割为输入和输出列
    		testX, testy = test[i, :-1], test[i, -1]
    		# 根据历史拟合模型并进行预测
    		yhat = xgboost_forecast(history, testX)
    		# 在预测列表中存储预测
    		predictions.append(yhat)
    		# 将实际观察添加到下一个循环的历史中 
    		history.append(test[i])
    		# 汇总结果
    		print('>expected=%.1f, predicted=%.1f' % (testy, yhat))
    	# 估计预测误差
    	error = mean_absolute_error(test[:, -1], predictions)
    	return error, test[:, 1], predictions

所述train\_test\_split（）函数被调用到数据集分成训练集和测试集。

我们可以在下面定义这个函数。

# 将一个单变量数据集分割成训练/测试集 
    def train_test_split(data, n_test):
    	return data[:-n_test, :], data[-n_test:, :]

我们可以使用XGBRegressor类进行一步预测。

下面的xgboost\_forecast()函数实现了这一点，将训练数据集和测试输入行作为输入，拟合模型，并进行一步预测。

# 拟合xgboost模型并进行一步预测 
    def xgboost_forecast(train, testX):
    	# 将列表转换为数组
    	train = asarray(train)
    	# 分成输入和输出列
    	trainX, trainy = train[:, :-1], train[:, -1]
    	# 拟合模型
    	model = XGBRegressor(objective='reg:squarederror', n_estimators=1000)
    	model.fit(trainX, trainy)
    	# 做一步预测
    	yhat = model.predict([testX])
    	return yhat[0]

现在我们知道如何准备时间序列数据来预测和评估 XGBoost 模型，接下来我们可以看看在真实数据集上使用 XGBoost。

# 用于时间序列预测的 XGBoost #

我们将使用标准的单变量时间序列数据集，目的是使用该模型进行一步预测。

您可以使用本节中的代码作为您自己项目的起点，并轻松地将其调整为多变量输入、多变量预测和多步预测。

我们将使用每日女性出生数据集，即三年内的每月出生数。

你可以从这里下载数据集，将它放在你当前的工作目录中，文件名为 **daily-total-female-births.csv** 。

**[数据集(daily-total-female-births.csv)][daily-total-female-births.csv]**  
**[描述(daily-total-female-births.names)][daily-total-female-births.names]**

数据集的前几行如下所示：

"Date","Births"
    "1959-01-01",35
    "1959-01-02",32
    "1959-01-03",30
    "1959-01-04",31
    "1959-01-05",44

首先，让我们加载并绘制数据集。

下面列出了完整的示例。

# 加载并绘制时间序列数据集
    from pandas import read_csv
    from matplotlib import pyplot
    # 加载数据集
    series = read_csv('daily-total-female-births.csv', header=0, index_col=0)
    values = series.values
    # 绘制数据集
    pyplot.plot(values)
    pyplot.show()

运行该示例会创建数据集的线图。

我们可以看到没有明显的趋势或季节性。  
![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBATXLmlbDmja7mnag_size_20_color_FFFFFF_t_70_g_se_x_16 1]

在预测最后 12 天时，持久性模型可以实现约 6.7 次出生的 MAE。这提供了性能基准，高于该基准的模型可以被认为是熟练的。

接下来，我们可以在对过去 12 天的数据进行一步预测时在数据集上评估 XGBoost 模型。

我们将仅使用前 6 个时间步作为模型和默认模型超参数的输入，除了我们将损失更改为“ reg:squarederror ”（以避免出现警告消息）并在集成中使用 1,000 棵树（以避免学习不足） ）。

下面列出了完整的示例。

from numpy import asarray
    from pandas import read_csv
    from pandas import DataFrame
    from pandas import concat
    from sklearn.metrics import mean_absolute_error
    from xgboost import XGBRegressor
    from matplotlib import pyplot
    
    # 将时间序列数据集转换为有监督的学习数据集 
    def series_to_supervised(data, n_in=1, n_out=1, dropnan=True):
    	n_vars = 1 if type(data) is list else data.shape[1]
    	df = DataFrame(data)
    	cols = list()
    	# 输入序列 (t-n, ... t-1)
    	for i in range(n_in, 0, -1):
    		cols.append(df.shift(i))
    	# 预测序列 (t, t+1, ... t+n)
    	for i in range(0, n_out):
    		cols.append(df.shift(-i))
    	# 信息汇总
    	agg = concat(cols, axis=1)
    	# 删除带有空数据的行
    	if dropnan:
    		agg.dropna(inplace=True)
    	return agg.values
    
    # 将一个单变量数据集分割成训练/测试集 
    def train_test_split(data, n_test):
    	return data[:-n_test, :], data[-n_test:, :]
    
    # 拟合xgboost模型并进行一步预测 
    def xgboost_forecast(train, testX):
    	# 将列表转换为数组
    	train = asarray(train)
    	# 分成输入和输出列
    	trainX, trainy = train[:, :-1], train[:, -1]
    	# 拟合模型
    	model = XGBRegressor(objective='reg:squarederror', n_estimators=1000)
    	model.fit(trainX, trainy)
    	# 做一步预测
    	yhat = model.predict(asarray([testX]))
    	return yhat[0]
    
    # 单变量数据的前向验证
    def walk_forward_validation(data, n_test):
    	predictions = list()
    	# 切分数据集
    	train, test = train_test_split(data, n_test)
    	# 使用训练数据集历史信息
    	history = [x for x in train]
    	# 步进测试集中的每个时间节点
    	for i in range(len(test)):
    		# 将测试行分割为输入和输出列
    		testX, testy = test[i, :-1], test[i, -1]
    		# 根据历史拟合模型并进行预测
    		yhat = xgboost_forecast(history, testX)
    		# 在预测列表中存储预测
    		predictions.append(yhat)
    		# 将实际观察添加到下一个循环的历史中 
    		history.append(test[i])
    		# 汇总结果
    		print('>expected=%.1f, predicted=%.1f' % (testy, yhat))
    	# 估计预测误差
    	error = mean_absolute_error(test[:, -1], predictions)
    	return error, test[:, -1], predictions
    
    # 加载数据集
    series = read_csv('daily-total-female-births.csv', header=0, index_col=0)
    values = series.values
    # 将时间序列数据转换为有监督学习 
    data = series_to_supervised(values, n_in=6)
    # 评估
    mae, y, yhat = walk_forward_validation(data, 12)
    print('MAE: %.3f' % mae)
    # 绘制预测结果图
    pyplot.plot(y, label='Expected')
    pyplot.plot(yhat, label='Predicted')
    pyplot.legend()
    pyplot.show()

运行示例报告测试集中每个步骤的预期和预测值，然后是所有预测值的 MAE。

**注意**：您的结果可能会因算法或评估程序的随机性或数值精度的差异而有所不同。考虑多次运行该示例并比较平均结果。

我们可以看到该模型比持久模型表现更好，实现了约 5.9 次出生的 MAE，而 6.7 次出生。

**你能做得更好吗？**

您可以测试不同的 XGBoost 超参数和时间步数作为输入，看看是否可以获得更好的性能。在下面的评论中分享您的结果。

> expected=42.0, predicted=44.5
    > expected=53.0, predicted=42.5
    > expected=39.0, predicted=40.3
    > expected=40.0, predicted=32.5
    > expected=38.0, predicted=41.1
    > expected=44.0, predicted=45.3
    > expected=34.0, predicted=40.2
    > expected=37.0, predicted=35.0
    > expected=52.0, predicted=32.5
    > expected=48.0, predicted=41.4
    > expected=55.0, predicted=46.6
    > expected=50.0, predicted=47.2
    MAE: 5.957

创建一个线图，比较数据集过去 12 天的一系列预期值和预测值。

这给出了模型在测试集上的表现的几何解释。

![在这里插入图片描述][watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBATXLmlbDmja7mnag_size_20_color_FFFFFF_t_70_g_se_x_16 2]

一旦选择了最终的 XGBoost 模型配置，就可以最终确定模型并用于对新数据进行预测。

这称为**样本外预测**，例如在训练数据集之外进行预测。这与在模型评估期间进行预测相同：因为我们总是希望使用与模型用于对新数据进行预测时期望使用的相同程序来评估模型。

下面的示例演示了在所有可用数据上拟合最终 XGBoost 模型并在数据集末尾进行一步预测。

# finalize model and make a prediction for monthly births with xgboost
    from numpy import asarray
    from pandas import read_csv
    from pandas import DataFrame
    from pandas import concat
    from xgboost import XGBRegressor
    
    # 将时间序列数据集转换为有监督的学习数据集 
    def series_to_supervised(data, n_in=1, n_out=1, dropnan=True):
    	n_vars = 1 if type(data) is list else data.shape[1]
    	df = DataFrame(data)
    	cols = list()
    	# 输入序列 (t-n, ... t-1)
    	for i in range(n_in, 0, -1):
    		cols.append(df.shift(i))
    	# 预测序列 (t, t+1, ... t+n)
    	for i in range(0, n_out):
    		cols.append(df.shift(-i))
    	# 信息汇总
    	agg = concat(cols, axis=1)
    	# 删除带有空数据的行
    	if dropnan:
    		agg.dropna(inplace=True)
    	return agg.values
    
    # 加载数据集
    series = read_csv('daily-total-female-births.csv', header=0, index_col=0)
    values = series.values
    # 将时间序列数据转换为有监督学习 
    train = series_to_supervised(values, n_in=6)
    # 分成输入和输出列
    trainX, trainy = train[:, :-1], train[:, -1]
    # 拟合模型
    model = XGBRegressor(objective='reg:squarederror', n_estimators=1000)
    model.fit(trainX, trainy)
    # construct an input for a new preduction
    row = values[-6:].flatten()
    # 做一步预测
    yhat = model.predict(asarray([row]))
    print('Input: %s, Predicted: %.3f' % (row, yhat[0]))

运行示例在所有可用数据上拟合 XGBoost 模型。

使用最近 6 天的已知数据准备新的输入行，并预测数据集结束后的下个月。

Input: [34 37 52 48 55 50], Predicted: 42.708

[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBATXLmlbDmja7mnag_size_20_color_FFFFFF_t_70_g_se_x_16]: /images/20220828/4b249864101d49f2b6dc7194aa75841b.png
[daily-total-female-births.csv]: https://raw.githubusercontent.com/jbrownlee/Datasets/master/daily-total-female-births.csv
[daily-total-female-births.names]: https://raw.githubusercontent.com/jbrownlee/Datasets/master/daily-total-female-births.names
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBATXLmlbDmja7mnag_size_20_color_FFFFFF_t_70_g_se_x_16 1]: /images/20220828/b711daf0063f4e2b817be71a0ad8b73b.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBATXLmlbDmja7mnag_size_20_color_FFFFFF_t_70_g_se_x_16 2]: /images/20220828/5fe563d3bb1941fb8a4ed5b8ecdd7cf2.png