如何为fable::TSLM定义nstrend特殊项以预测自然样条趋势？

当使用tidyverts体系的fable::TSLM构建含自然样条趋势的时间序列预测模型时，直接调用splines::ns()会遇到预测期基矩阵不连续的问题——因为ns()生成的正交基依赖于训练集的时间范围，无法直接扩展到验证/预测集。而splines::predict.ns()可以基于训练时的样条对象生成一致的扩展基矩阵，因此我们可以通过fabletools的自定义special功能，创建类似trend()的nstrend()特殊项来解决这个问题。

实现步骤 #

1. 定义nstrend的special处理函数

需要分别实现拟合（fit）和预测（forecast）两个阶段的逻辑：

library(fabletools)
library(splines)
library(fable)
library(tsibble)

# 拟合阶段：生成自然样条基矩阵并保存样条对象
nstrend_fit <- function(.data, df = 3, ...) {
  time_var <- index(.data)
  time_vals <- .data[[time_var]]
  
  ns_obj <- ns(time_vals, df = df, ...)
  
  structure(
    list(
      ns_obj = ns_obj,
      x = model.matrix(ns_obj),
      df = df,
      args = list(...)
    ),
    class = "nstrend_spec"
  )
}

# 预测阶段：基于训练时的样条对象生成连续的基矩阵
nstrend_forecast <- function(.spec, new_data, ...) {
  time_var <- index(new_data)
  new_time <- new_data[[time_var]]
  
  predict(.spec$ns_obj, newx = new_time)
}

# 注册nstrend为fabletools的special项
register_special(
  nstrend,
  fit = nstrend_fit,
  forecast = nstrend_forecast,
  args = list(df = integer(1)),
  mode = "regression"
)

2. 使用nstrend()构建并预测模型

用示例数据验证效果：

# 创建示例时间序列数据
set.seed(123)
data <- tsibble(
  time = seq.Date(as.Date("2020-01-01"), as.Date("2023-12-31"), by = "month"),
  value = 10 + ns(seq_along(time), df = 3) %*% c(2, -1, 3) + rnorm(length(time), 0, 0.5),
  index = time
)

# 拆分训练集与测试集
train <- data %>% filter(time <= as.Date("2023-06-30"))
test <- data %>% filter(time > as.Date("2023-06-30"))

# 拟合含自然样条趋势的TSLM模型
fit_model <- train %>%
  model(TSLM(value ~ nstrend(df = 3)))

# 生成预测结果
fc <- fit_model %>%
  forecast(new_data = test)

# 查看预测输出
fc

关键说明 #

• 拟合阶段：nstrend_fit会生成训练集的自然样条基矩阵，并完整保存ns对象（包含样条节点、边界等核心信息）。
• 预测阶段：nstrend_forecast调用splines::predict.ns()，基于训练时的ns对象生成预测期的基矩阵，确保样条趋势在训练集和预测集之间的连续性。
• 注册special时指定mode = "regression"，保证TSLM能正确识别并适配这个自定义趋势项。

内容的提问来源于stack exchange，提问作者tom67