偏态时间序列数据的处理与预测建模方法咨询

存在显著偏态、取值集中在0和60端点的小时级上网时长数据，完全可以建模为回归/时序预测问题。这类数据属于典型的受限区间+端点膨胀类时序数据，不需要因为分布不符合正态假设就强行转成纯分类任务，只要匹配对应的数据处理逻辑和适配模型假设，完全可以拿到稳定可用的预测效果。

• 先按预测目标单独构造对应粒度的标签：预测下一小时就直接用t+1小时的原始分钟数作为标签；预测次日就聚合当日24小时的总上网分钟数（取值范围0~1440）；预测次月就聚合自然月维度的总上网分钟数。聚合后的数据依然会保留端点集中的特征，不用强行做正态转换。
• 避免无效的标签变换：不要直接对原始标签做普通对数变换（需要给0值加无意义偏移，破坏原始分布）、Z-Score标准化（会把大量0/60的端点值识别为异常值拉偏尺度）。如果用对分布敏感的模型，可以选支持0值输入的Yeo-Johnson变换，更省事的方案是直接用不依赖标签正态假设的树模型，跳过变换步骤。
• 特征构造优先抓强相关属性：除了常规的时序滑窗统计特征（过去1/3/7/30天同时段上网时长、近n小时上网时长均值/最大值、历史0/60取值占比），必须加入时间属性特征：小时所属时段（深夜/早高峰/工作时段/晚高峰）、工作日/周末标识、节假日标识、月初/月末标识，这类特征对用户上网行为的区分度远高于纯数值统计特征。
• 提前派生二分类辅助标签：针对0和60的高占比特征，可以提前构造两个二分类标签：「目标时段上网时长是否大于0」「目标时段上网时长是否为60」，不管后续用单模型还是组合模型，这类标签都能帮模型更快捕捉端点规律。

按落地成本从低到高排序：

• 首选树类回归/时序模型：直接用LightGBM/XGBoost的回归模式即可，这类模型不对标签分布做硬性假设，对偏态、端点集中的数据鲁棒性极强，能自动拟合特征和标签间的非线性关系，换不同粒度的标签就能快速迭代，调参和上线成本都很低。如果要显式强化时序依赖，直接搭配滑窗特征，或者用CatBoost自带的时序预测模式就行，不需要做序列平稳性检验。同类型场景下的实测结果显示，这类模型的预测误差比传统时序模型低40%左右。
• 两阶段组合模型（适合小时级细粒度预测，精度更高）：第一阶段用两个二分类模型分别预测「目标时段是否不上网（时长=0）」「目标时段是否上满60分钟」，第二阶段对预测结果落在0~60区间的样本，单独用回归模型预测具体分钟数，最后把三部分结果拼接成最终预测值。这类方案对端点占比超过70%的数据集，预测误差比单回归模型低30%以上。
• 分布适配的时序模型（需要输出预测区间时选）：如果不仅要预测单点值，还要输出预测置信区间，可以选Tweedie回归（适配零膨胀的正值连续数据）、Beta回归（把标签归一化到0~1区间后适配两端集中的比例类数据），或者DeepAR、TFT这类深度时序模型，在输出层配置零膨胀似然函数，显式拟合0值和端点的出现概率，不需要手动拆分两阶段。
• 不推荐使用的模型：普通线性回归、ARIMA这类假设残差服从正态分布、要求序列平稳的传统统计模型，对这类偏态端点集中的数据拟合效果极差，甚至经常出现预测值超出0~60合理区间的问题。

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