Temporal Fusion Transformer长预测长度下未知类别错误的解决问询

问题场景 #

手里有153天（5个月）的日销售数据，用Temporal Fusion Transformer（TFT）搭建时间序列模型，目标是预测未来30天的销量。设置max_prediction_length=7、max_encoder_length=21时模型能正常运行，但把max_prediction_length改成13后，直接触发报错：

KeyError: Unknown category '10' encountered. Set add_nan=True to allow unknown categories

解决方法 #

• 排查类别特征的取值范围
  错误核心是预测阶段出现了训练数据里从没见过的类别值'10'。当预测长度从7调到13，模型需要生成更长的未来序列，其中某个类别特征（比如门店编号、促销标签，甚至是日期衍生的周/月字段）在未来13天的取值超出了训练集的范围。先核对训练数据里所有类别特征的取值，再对比未来预测用的数据里对应字段的内容，找出那个出现'10'的特征。

• 给类别编码器加add_nan=True参数
  按照错误提示，在处理类别特征时，给对应的编码器加上add_nan=True，让模型遇到未知类别时自动映射为NaN，避免报错。比如在定义TimeSeriesDataSet时：

  from pytorch_forecasting import TimeSeriesDataSet, CategoricalEncoder
  
  training_data = TimeSeriesDataSet(
      your_dataframe,
      time_idx="time_idx",
      target="sales",
      # 给有问题的类别特征指定带add_nan的编码器
      categorical_encoders={"problem_category_col": CategoricalEncoder(add_nan=True)},
      # 其他必要参数...
      max_encoder_length=21,
      max_prediction_length=13
  )
  

• 修正未来数据的类别特征
  如果是未来数据里的类别特征确实出现了训练集没有的新值，比如训练集只有1-9号门店，未来要预测10号店的销量，那要么补充10号店的历史销售数据到训练集，要么把这个特征改成数值型（如果有顺序意义），或者提前把所有可能出现的类别值都加入训练集的特征取值中。

• 检查日期衍生特征的处理方式
  很多时候这类错误来自日期特征，比如把dayofyear当成类别特征处理——训练数据是5个月（dayofyear 1-153），预测未来13天的dayofyear超过153，就会出现训练集没有的新类别。这种情况应该把日期特征改成循环编码（用sin、cos转换），而不是类别特征，毕竟日期是连续循环的，不适合按类别处理。

内容的提问来源于stack exchange，提问作者hellokitty