能耗时间序列预测的逆变换实现疑问：测试集逆差分与逆对数变换的前置值选取及操作方法

你遇到的问题很典型——当对时间序列做了log+差分的平稳化变换后，逆变换的关键就是找到差分操作的“起始锚点”，也就是训练集最后一个未差分的log值。我来一步步给你讲清楚怎么实现：

核心逻辑回顾 #

你对训练集的变换顺序是：
原始能耗 → 取log → 一阶差分 → 平稳序列
所以逆变换必须严格倒序执行：
预测的差分序列 → 逆差分（还原log序列） → 取exp（还原原始能耗）

第一步：找到逆差分的前置锚点 #

逆差分需要的前置值，是训练集原始数据取log之后、还没做差分的最后一个值。

举个例子，假设你最初的训练集是train_original（2011-05-01至2018-12-30的日度数据），那么你需要先重新计算这个锚点值：

import numpy as np
import pandas as pd

# 重新计算训练集的log值（如果之前没保存的话）
train_log = train_original["energy_val"].apply(np.log)
# 取训练集最后一个log值，这就是逆差分的起始锚点
initial_log_val = train_log.iloc[-1]

为什么是这个值？因为一阶差分的定义是diff_t = log_t - log_{t-1}，测试集的第一个预测值对应2019-02-01的差分，它的前一个时刻是训练集最后一天2018-12-30，这个时刻的log值就是我们的锚点。

第二步：对测试集预测结果执行逆变换 #

现在用这个锚点来处理你的测试集预测数据：

# 假设你的测试集预测结果存在test_pred DataFrame中
# 1. 逆差分：累加预测的差分序列，再加上起始锚点
test_pred["log_energy"] = initial_log_val + test_pred["energy_val"].cumsum()

# 2. 逆log变换：还原到原始能耗尺度
test_pred["original_energy"] = np.exp(test_pred["log_energy"])

关键注意事项 #

• 确保测试集的预测结果是按时间顺序排列的，cumsum()是按行的顺序累加，所以日期不能乱序。
• 如果你的测试集里有缺失日期（比如你例子里的2019-02-03），只要预测的差分是对应正确时间点的，就不影响逆变换——因为差分本身就是相邻时间点的差值，缺失的日期意味着没有对应的预测，所以不需要处理。

这样处理后，test_pred["original_energy"]就是还原到原始尺度的能耗预测值了。

内容的提问来源于stack exchange，提问作者enterML