基于PyCaret的土壤湿度预测：多模型与性能问题咨询

问题1：是否需要训练4个独立模型？如何合并这些模型？尝试使用blend_models函数但因训练数据不同失败； #

• 是否训练独立模型要看实际场景：如果4台设备对应的地块微环境（比如土壤质地、作物覆盖、通风条件）差异明显，或者灌溉后的干燥规律各不相同，训练独立模型是合理的。如果整体环境一致，只是灌溉时段不同，更推荐把4个数据集整合为带设备标识的统一数据集，用多变量时间序列建模方案。
• 合并模型的可行方案：
  • 放弃blend_models（它要求基于同一训练集的模型），采用加权融合：用每个模型在自身验证集上的误差（比如MAE、RMSE）反向分配权重，误差越小的模型权重越高，对对应设备的预测使用该模型，跨设备预测可取加权平均。
  • 整合数据集，添加device_id作为外生特征，重新执行setup时设置enforce_exogenous=True，让模型学习不同设备的湿度变化差异，无需分开训练。

问题2：因各数据集灌溉时间不同，时间特征（时/日/月）存在差异，无法合并为单个模型是否正确？ #

• 这个结论不正确。时间特征的差异（不同设备灌溉时间不同）本质是序列的事件触发差异，完全可以通过处理消除：
  • 把绝对时间特征（时/日/月）替换为相对时间特征：比如计算“距离上次灌溉的分钟数”，这样所有数据集的时间维度统一为灌溉后的干燥周期，消除绝对时间的干扰。
  • 若保留绝对时间，合并数据集后，模型会自动学习不同时间点+不同设备的湿度模式，只要数据量足够，反而能提升模型的泛化能力。合并时用长格式存储（每行对应一个设备+一个时间点的观测），PyCaret支持这种格式的时间序列建模，只需指定target和时间索引列即可。

问题3：为何部分模型性能良好，部分表现较差，且最优模型疑似过拟合？ #

• 部分模型表现差的核心原因：
  • 对应设备的数据集可能存在数据质量问题，比如隐藏的缺失值、异常值，或者某次灌溉后遇到降雨等突发情况，打乱了干燥规律。
  • 不同设备的序列季节性/趋势强度差异大：比如有的设备所在区域通风好，干燥快，趋势明显；有的区域湿度稳定，模型难以捕捉有效规律。
• 最优模型疑似过拟合的原因：
  • fold=3的交叉验证设置太少，验证结果稳定性不足，容易选中在训练折叠上表现好但泛性差的模型，建议把fold调整到5-10。
  • 部分复杂模型（如深度学习模型、高参数ARIMA）在小数据集上极易过拟合，尤其是剔除灌溉时段后单设备的有效观测数可能不足。可以在compare_models时过滤复杂模型，或在setup中开启normalize=True，增加正则化约束。
  • 检查交叉验证的折叠划分：PyCaret默认用滚动窗口划分，若序列存在灌溉后的骤降突变，要确保折叠包含完整的干燥周期，避免数据泄露。

问题4：为何超出初始预测范围（fh=50）后，预测效果极差？ #

• 时间序列模型的预测精度本身会随步长增加而衰减，尤其是单变量模型，它只能学习历史的趋势和季节性，无法应对未见过的外部干扰（如突发降雨、风速变化）。
• 你的fh=50对应500分钟（约8小时），超出这个范围后：
  • 模型学习的季节性/趋势模式无法覆盖更长周期，尤其是干燥过程是非线性的（前期干燥快，后期趋于稳定）时，模型无法准确外推这种非线性变化。
  • 若序列是递减趋势（土壤干燥），单变量模型可能会持续预测湿度下降，但实际土壤湿度会降到阈值后稳定，模型未学习到这个边界，导致偏差。
• 解决办法：
  • 添加温度、风速、光照等外生特征，帮助模型捕捉影响湿度变化的外部因素，提升长步长预测能力。
  • 采用分段预测：先预测50步，再用新观测（或模拟观测）更新模型，接着预测下一个50步，避免一次性预测过长范围。
  • 选择适合长预测的模型，比如Prophet（对趋势和季节性的外推更稳定），或Temporal Fusion Transformers等深度学习模型（需足够数据支撑）。

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