多变量时间序列重复时间处理：多国寿命预测模型报错解决

问题描述 #

使用Kaggle的「Life Expectancy WHO Updated」数据集（2000-2015年179个国家的寿命数据，无缺失值）构建时间序列预测模型时，执行time_series_split出现如下警告：

Data is not ordered by the 'date_var'. Resamples will be arranged by year. Overlapping Timestamps Detected. Processing overlapping time series together using sliding windows.

问题根源：数据集属于面板时间序列数据（每个年份对应179个国家的记录），存在重复时间戳，且数据未按「国家+年份」有序排列，导致拆分工具无法识别多维度信息。

原始预处理代码 #

library(tidyverse)
library(tidymodels)
library(readxl)
library(janitor)
library(modeltime)
library(lubridate)

dados <- read_csv("Life Expectancy Data.csv")

dados <- clean_names(dados)

dados <- subset(dados, select = -c(economy_status_developing))
dados$economy_status_developed <- as.factor(dados$economy_status_developed)
dados$year <- ymd(sprintf("%d-01-01",dados$year))

splits <- time_series_split(date_var = year, dados)

recipe_spec <- recipe(life_expectancy ~ year + infant_deaths + under_five_deaths + adult_mortality + alcohol_consumption + hepatitis_b + measles + bmi + polio + diphtheria + incidents_hiv + gdp_per_capita + population_mln + thinness_ten_nineteen_years + thinness_five_nine_years + schooling + economy_status_developed, dados) %>%
  step_timeseries_signature(year) %>%
  step_dummy(all_nominal())  

recipe_spec %>% prep() %>% juice()

解决步骤 #

1. 先按「国家+年份」排序数据 #

首先要确保每个国家的时间序列是连续有序的，这是解决「未按date_var排序」警告的核心：

# 按国家分组，再按年份升序排序
dados <- dados %>%
  arrange(country, year)

2. 使用分组时间序列拆分 #

针对面板数据，需要明确指定分组维度（国家），避免不同国家的同一年份数据被混在一起处理：

方案A：拆分单训练/测试集

如果只需要划分一次训练集和测试集（例如用前12年训练，后4年测试）：

# 按国家分组，标记训练/测试样本
splits <- dados %>%
  group_by(country) %>%
  mutate(is_train = row_number() <= 12) %>%  # 2000-2011为训练，2012-2015为测试
  ungroup()

train_data <- splits %>% filter(is_train)
test_data <- splits %>% filter(!is_train)

方案B：时间序列交叉验证（CV）

如果需要构建交叉验证集，使用time_series_cv并指定group = country：

# 创建面板数据的时间序列交叉验证折
cv_splits <- time_series_cv(
  data = dados,
  date_var = year,
  group = country,  # 指定国家为分组维度，确保每个折内的时间序列属于同一国家
  initial = 10*365,  # 初始训练集覆盖10年（用日期间隔适配date_var的日期格式）
  assess = 2*365,    # 每个评估集覆盖2年
  cumulative = TRUE  # 训练集随折数递增
)

3. 更新特征工程流程 #

将国家信息纳入模型（转为哑变量或保留为分组特征），让模型学习国家间的差异：

# 修改recipe，加入country特征并转为哑变量
recipe_spec <- recipe(life_expectancy ~ country + year + infant_deaths + under_five_deaths + adult_mortality + alcohol_consumption + hepatitis_b + measles + bmi + polio + diphtheria + incidents_hiv + gdp_per_capita + population_mln + thinness_ten_nineteen_years + thinness_five_nine_years + schooling + economy_status_developed, data = dados) %>%
  step_timeseries_signature(year) %>%
  step_dummy(all_nominal(), -contains("year_"))  # 对国家、经济状态转哑变量，排除时间特征的名义列

recipe_spec %>% prep() %>% juice()

4. 验证警告消除 #

完成上述步骤后，重新运行拆分代码，警告会消失——此时数据已按「国家+年份」有序排列，拆分工具能正确识别每个国家的独立时间序列。

内容的提问来源于stack exchange，提问作者Paulo Luis