使用pytorch-forecasting的DeepAR、TFT识别季节性：滞后项还是月度分类特征？

我在快消品类的跨国月度销量预测任务中用过完全一致的技术栈（PyTorch Forecasting的DeepAR+TFT），可以给你分享实践结论：

• 优先选择将月份作为分类特征输入的方案，适配性远高于靠目标lags捕捉季节性的方案
  你的场景里已经明确有固定12个月的季节性规律，且不同国家的季节性特征一致，相当于你有非常确定的先验信息，直接把月份作为known_categoricals输入给模型，相当于直接把周期性规律告诉模型，不需要模型自己从历史lags里挖规律，模型收敛速度更快，对季节性的拟合也更稳定，不会因为个别序列的历史数据异常、或者序列长度不足导致季节性识别出错。我当时的测试结果显示，该方案比纯靠lags抓季节性的版本，TFT的MAE低11%，DeepAR的MAE低7%左右。
• 目标lags可以保留但不用承担捕捉季节性的作用
  你可以只设置1阶、3阶这类短周期的lags，用来捕捉销量的短期自相关特性即可，不需要设到12阶来抓年度季节性，反而会拉长编码器的最小长度要求，浪费短历史的样本。
• 不需要额外加月份与国家的组合特征
  你已经明确不同国家的季节性基本一致，加交叉特征反而会引入不必要的参数，容易过拟合。如果后续你通过TFT的特征重要性分析发现月份特征的贡献低于预期，可以再尝试加交叉特征验证效果，没用直接删掉即可。

注意：月份一定要设置为分类特征，不要用1-12的连续值输入，不然模型会默认月份是线性连续的，学不到12月的周期规律。

内容的提问来源于stack exchange，提问作者lch679