基于Python Darts库的24小时电力负荷预测特征选择方法咨询

一、从入门友好的模型开始试手 #

• 先跑基准模型：比如NaiveSeasonal（季节性朴素模型）和NaiveDrift，这类模型无需复杂调参，能快速给出一个基础预测效果，后续所有模型的表现都要和它对比，比基准差的直接淘汰。
• 再试经典统计模型：ARIMA、ExponentialSmoothing，这些是时间序列预测的经典方法，Darts封装得很易用，调参难度低，适合入门者理解时间序列的核心逻辑。

二、模型实用性对比的标准化流程 #

• 固定数据拆分规则：严格按时间顺序拆分数据集（绝对不能随机拆分），比如用前80%做训练集，后20%做测试集，保证时序逻辑的一致性。
• 用时间交叉验证：用Darts内置的时间交叉验证工具，避免单次数据拆分带来的结果偶然性，让模型评估更可靠。
• 统一评估指标：用MAE（平均绝对误差）、RMSE（均方根误差）、MAPE（平均绝对百分比误差）这三类指标，其中MAPE对电力负荷这类有实际业务场景的预测更直观，能直接反映误差的百分比。
• 聚焦24小时预测特性：重点看模型对小时级波动的拟合能力，比如是否能准确捕捉早高峰、晚高峰的负荷峰值，而不只是看整体误差数值。

三、特征选择的实操方法 #

• 先锁定核心特征：
  • 必选特征：历史负荷数据（至少包含过去1-2周的小时级数据，用于捕捉日/周季节性）、时间特征（小时、星期几、节假日，这些是电力负荷的强关联特征）。
  • 可选特征：气象数据（温度、湿度，尤其是夏冬季节和空调负荷关联极强）、电价数据（若有，会直接影响用户用电行为）。
• 用特征重要性快速筛选：
  • 用Darts中的LightGBMModel训练后，直接输出特征重要性排序，能直观看到哪些特征对预测贡献最大。
  • 做单变量剔除实验：逐个去掉某个特征，观察预测误差的变化，如果误差大幅上升，说明该特征是核心；如果变化不大，就可以考虑剔除。
• 避免过度复杂特征：入门阶段先不要堆砌高维特征或做复杂特征工程，先保证模型能跑通，再逐步优化。

四、Darts工具的简化使用技巧 #

• 利用统一接口：Darts所有模型都有fit()和predict()方法，你可以写一个通用测试函数，传入不同模型就能自动完成训练、预测和评估，不用重复写冗余代码。
• 参考官方能源类示例：Darts的示例库中有电力负荷预测的现成代码，直接参考修改参数即可，比啃纯文档高效得多。

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