构建时间序列Block RNN模型时预测值为NaN的问题排查

问题背景 #

构建Block RNN时间序列模型时采用Datetime索引（而非整数索引），但预测结果全为NaN；测试NBEATS、Transformer、TCN模型时也出现相同情况。

数据集样式 #

数据集包含年、周、病例数（Cases）、降雨量（Rain）列，按周级日期索引组织。

实现代码 #

import pandas as pd
from darts import TimeSeries
from darts.utils.likelihood_models import Likelihood
from sklearn.model_selection import train_test_split
csv_file = 'data.csv'
df = pd.read_csv(csv_file)

# 构建日期索引
df['Year_Week'] = df['Year'].astype(str) + '-' + df['Week'].astype(str)

# 将Year_Week转换为周日起始的日期格式
df['Year_Week'] = pd.to_datetime(df['Year_Week'] + '-0', format='%Y-%U-%w')

# 设置日期为索引
df.set_index('Year_Week', inplace=True)

# 划分训练集和测试集
train_size = 0.8
test_size = 0.2

train_data, test_data = train_test_split(df, train_size=train_size, test_size=test_size, shuffle=False)

train_series = TimeSeries.from_dataframe(train_data[['Cases']], freq='W')
test_series = TimeSeries.from_dataframe(test_data[['Cases']], freq='W')
train_covariate_series = TimeSeries.from_dataframe(train_data[['Rain']], freq='W')
test_covariate_series = TimeSeries.from_dataframe(test_data[['Rain']], freq='W')

from darts.models import BlockRNNModel

block_rnn_model = BlockRNNModel(input_chunk_length=30, output_chunk_length=13, n_rnn_layers=2)
block_rnn_model.fit(train_series, past_covariates=train_covariate_series, epochs=100, verbose=True)

block_rnn_predictions = block_rnn_model.predict(7)
print(block_rnn_predictions)

输出结果 #

TimeSeries (DataArray) (Year_Week: 7, component: 1, sample: 1)>
array([[[nan]],

       [[nan]],

       [[nan]],

       [[nan]],

       [[nan]],

       [[nan]],

       [[nan]]])
Coordinates:
  * Year_Week  (Year_Week) datetime64[ns] 2008-09-14 2008-09-21 ... 2008-10-26
  * component  (component) object 'Cases'
Dimensions without coordinates: sample
Attributes:
    static_covariates:  None
    hierarchy:          None

问题原因及解决方案 #

1. 预测时协变量缺失 #

训练时使用了past_covariates（降雨量数据），但预测时未传入对应时间段的协变量数据，模型无法生成有效预测，返回NaN。

• 解决方法：预测时传入包含训练+测试阶段的完整协变量序列：

  full_covariates = train_covariate_series.append(test_covariate_series)
  block_rnn_predictions = block_rnn_model.predict(7, past_covariates=full_covariates)
  

  若没有未来协变量数据，可先移除协变量训练模型，验证模型本身是否正常。

2. 输入输出窗口长度与训练数据量不匹配 #

input_chunk_length=30+output_chunk_length=13要求训练集样本数至少大于43，否则模型无法完成有效训练，权重未正确更新导致预测NaN。

• 解决方法：检查训练集长度：

  print(len(train_data))
  

  若长度不足，缩小窗口参数（如input_chunk_length=10、output_chunk_length=5）或补充更多训练数据。

3. 原始数据存在缺失值 #

数据集本身的NaN会导致模型训练异常，最终输出NaN。

• 解决方法：检查并处理缺失值：

  # 查看缺失值统计
  print(df.isna().sum())
  # 用前向填充处理缺失值
  df = df.fillna(method='ffill')
  

4. 时间序列频率不匹配 #

freq='W'未明确周日起始，可能与实际数据的时间频率不匹配，导致Darts内部处理出错。

• 解决方法：指定准确的频率：

  train_series = TimeSeries.from_dataframe(train_data[['Cases']], freq='W-SUN')
  train_covariate_series = TimeSeries.from_dataframe(train_data[['Rain']], freq='W-SUN')
  

5. 模型训练不充分 #

epochs=100可能不足以让模型收敛，导致未学到有效特征。

• 解决方法：增加训练轮次（如epochs=200），或调整模型学习率（通过optimizer_kwargs参数设置），同时观察训练损失变化，确认损失是否持续下降。

内容的提问来源于stack exchange，提问作者Shashank Gupta