Python统计时间序列预测：月度频率错误及FVA结果为空问题排查

一、预测结果月度频率不正确 #

• 检查时间序列索引的频率设置：确保原始数据集的时间列转换为datetime类型时指定正确的月度频率，示例代码：

  df['date'] = pd.to_datetime(df['date'], format='%Y-%m')
  df = df.set_index('date').asfreq('MS')  # 'MS'代表月初，'M'代表月末，按需选择
  

• 验证模型预测的索引：生成预测时手动指定索引的月度频率，以ARIMA为例：

  forecast_index = pd.date_range(start=df.index[-1], periods=forecast_steps+1, freq='MS')[1:]
  forecast_values = model.forecast(steps=forecast_steps)
  forecast_df = pd.DataFrame({'forecast': forecast_values}, index=forecast_index)
  

• 排查数据缺失：用df.isnull().sum()检查缺失值，通过df.fillna(method='ffill')或插值法补全，避免缺失值打乱频率逻辑。

二、FVA（Forecast Value Added）结果为空 #

• 确认误差计算逻辑：FVA核心公式为FVA = (基准误差 - 目标误差) / 基准误差，先验证两个模型的误差指标是否有效，示例代码：

  from sklearn.metrics import mean_absolute_error
  
  # 计算朴素基准模型误差
  naive_forecast = df['actual'].shift(1).dropna()
  naive_mae = mean_absolute_error(df['actual'][1:], naive_forecast)
  
  # 计算目标模型误差
  model_mae = mean_absolute_error(test_data['actual'], test_forecast)
  
  # 计算FVA（避免除以零）
  fva = (naive_mae - model_mae) / naive_mae if naive_mae != 0 else None
  

• 检查测试集与预测结果匹配性：确保测试集非空，且预测结果长度与测试集一致，空测试集或失败的预测会导致FVA无输出。
• 排查空值过滤逻辑：通过print(naive_mae, model_mae)查看误差值是否为有效数值，避免代码中的空值过滤误删有效数据。

内容的提问来源于stack exchange，提问作者user20068761