可变振幅类正弦含噪流量预测模型及超参数选型咨询

传统模型失效原因 #

你测试的AdaBoostRegressor、RandomForestRegressor等树类回归模型属于静态拟合模型，没有时序依赖建模能力，仅能基于训练集特征区间做分段插值，无法自动捕捉振幅随时间动态变化的周期性规律，自然无法外推预测增长的振幅趋势。

可选落地方案 #

1. 传统时序模型（轻量无神经网络依赖） #

优先选择Prophet做拟合，天然支持带动态振幅的周期性时序预测：

• 核心超参数配置：
  • 周期适配：内置的年/周/日周期开关可按需开启，如果你的数据是自定义周期，调用add_seasonality(name='自定义周期名', period=你的序列周期长度, fourier_order=8~15)，fourier_order越高对复杂振幅变化的拟合能力越强
  • 趋势适配：changepoint_prior_scale设为0.05~0.3，值越高对振幅的突变升降适配性越好
  • 振幅增长适配：如果存在振幅随序列整体水平同步增长的特征，设置seasonality_mode='multiplicative'（乘性季节模式），刚好匹配这类场景
• 使用方式：将数据整理为时间列ds、流量值列y的格式即可直接训练，无需复杂特征工程。

2. 神经网络实现方案 #

完全可以通过神经网络实现，两类结构适配性最好：

• 轻量选项：LSTM/GRU网络
  • 数据预处理：采用滑窗构造样本，比如用过去2_{3个完整周期的时间步数据预测后续时间步，滑窗大小设置为2}3倍周期长度最佳
  • 结构配置：1_{2层LSTM/GRU层（隐藏单元数32}128）+ 1层全连接输出层，损失函数用MSE，Adam优化器学习率设为1e-3~3e-4
  • 训练注意：训练集需要覆盖至少3个以上完整的振幅变化周期，避免过拟合
• 高性能选项：时序融合Transformer（TFT）
  • 内置局部趋势、周期性分解模块，专门适配带可变周期、可变振幅的时序预测场景，同时支持接入外部协变量提升精度
  • 超参数配置：隐藏单元数64_{256，注意力头数2}4，上下文窗口设为3倍周期长度，预测窗口可按需设置

效果验证建议 #

将数据集按7:2:1切分为训练集、验证集、测试集，分别测试上述方案，对比测试集上的MAE、RMSE指标，同时通过绘图对比预测值和真实值的振幅匹配度即可判断效果。如果有已知的流量影响因子，加入特征后模型精度会进一步提升。

内容的提问来源于stack exchange，提问作者FC_123