在R中实现百分比时间序列预测的可行方案咨询

你当前的场景属于小样本短时序预测任务，2.5年周度数据累计仅约130个样本，深度学习模型需要足够多的样本拟合时序规律，LSTM效果差属于正常情况，优先选择轻量时序模型+特征工程的方案适配性更高。

一、前期数据预处理 #

• 先校验百分比指标的取值范围，如果固定在0-1区间，可先做logit变换将值域拉伸到实数域，预测完成后再做逆变换，避免预测结果超出合理范围
• 构造基础特征：以日期为时间索引，生成「周数」「月份」「季度」「是否节假日周（若业务相关）」等时间特征
• 构造滞后特征：滑动生成前1周、前2周、前4周、前12周、前52周（对应去年同周）的历史百分比值，弱季节性场景下同期历史值的参考性很高

二、推荐适配模型 #

1. Prophet（优先尝试，门槛最低） #

专门适配小样本、弱季节性的时序数据，自动拟合趋势与周期规律，支持加入自定义特征提升效果，示例代码如下：

import pandas as pd
from prophet import Prophet

# 转换为Prophet要求的输入格式
df = df.rename(columns={'date':'ds', 'percentage':'y'})
# 开启年度季节性，关闭周度季节性（周度数据天然按周采样不需要额外拟合周规律）
model = Prophet(weekly_seasonality=False, yearly_seasonality=True)
# 加入周数作为额外回归因子，强化季节性拟合
df['week_of_year'] = df['ds'].dt.isocalendar().week
model.add_regressor('week_of_year')
model.fit(df)

# 生成未来预测结果，periods填需要预测的剩余周数
future = model.make_future_dataframe(periods=20, freq='W')
future['week_of_year'] = future['ds'].dt.isocalendar().week
forecast = model.predict(future)
# forecast['yhat'] 即为预测的百分比值

2. TBATS模型 #

无需手动构造特征，自动适配多周期弱季节性的时序数据，对非严格符合季节性规律的序列适配性远高于传统ARIMA类模型。

3. LightGBM/XGBoost回归 #

将构造的时间特征、滞后特征作为输入，目标值为当周百分比，采用时间序列交叉验证（按时间顺序划分训练测试集，禁止随机划分）训练即可，拟合非线性规律的能力更强。

三、效果优化建议 #

• 评估指标同时参考MAE和MAPE，百分比指标的相对误差参考价值高于均方误差
• 单模型效果达不到要求可以做加权融合：比如将Prophet的预测结果和LightGBM的预测结果按7:3的权重加权，通常可以带来5%-10%的精度提升
• 不建议继续尝试深度学习类模型：2.5年的周度数据量不足以支撑LSTM等模型拟合有效规律，强行使用大概率会出现过拟合、泛化能力差的问题

内容的提问来源于stack exchange，提问作者Miki Parr