Darts时序预测库如何处理协变量？为何预测不随协变量变化？

以下是针对你遇到的“修改协变量后预测结果完全一致”问题的排查方向：

• 验证协变量是否被模型实际利用
  训练完成后，查看模型的特征重要性，确认协变量对应的特征是否有非零权重。如果协变量特征权重全为0，说明模型未学习到协变量的影响：

  # 查看模型特征重要性（基于XGBoost底层接口）
  print("mymodel特征重要性:", mymodel.model.get_booster().get_score(importance_type='weight'))
  print("mymodel2特征重要性:", mymodel2.model.get_booster().get_score(importance_type='weight'))
  

• 检查协变量的时序对齐与滞后参数
  确保X_train_trans与y_train_trans的时间长度完全匹配，且lags_past_covariates=2的设置符合数据逻辑。Darts的XGBModel会根据lags（目标序列滞后）和lags_past_covariates（协变量滞后）构建特征矩阵，如果序列过短导致滞后窗口无法覆盖有效数据，模型会忽略协变量。

• 确认预测阶段的协变量输入有效性
  预测时传入的past_covariates需要包含预测起始时刻前足够的历史数据，确保X_train_trans*5的时序范围、长度与原协变量一致，能覆盖模型所需的滞后窗口。若输入的协变量数据不完整，模型会仅依赖目标序列的滞后特征进行预测。

• 排查协变量与目标序列的相关性
  XGBoost树模型对特征缩放（如乘以5）本身不敏感，但如果协变量与目标序列完全无关，两种训练场景下模型都会学到仅依赖目标滞后的规则，导致预测结果一致。可以构造与目标序列强相关的协变量（如直接基于y_train_trans生成），验证模型是否会产生不同预测。

内容的提问来源于stack exchange，提问作者Sandy Al Akhras