如何在Watson Studio Modeler Flow中实现动态数量时间序列预测

核心思路 #

利用Modeler Flow内置的动态字段处理能力，结合节点配置或自定义脚本，实现无需手动指定每个序列字段类型、适配动态序列数量的自动化预测流程。

1. 数据源导入后自动预处理（解决字段类型自动识别问题） #

• 从Connection导入数据后，先接入自动数据预处理节点，开启自动识别时间字段与度量字段选项：
  • 配置规则：将格式符合时间规范的公共字段自动标记为时间类型，其余数值型字段自动标记为连续型作为待预测的时间序列度量
  • 开启忽略非数值非时间字段开关，自动过滤无效字段，适配每次运行时新增/减少的序列字段
• （可选）如果存在固定的序列标识字段，可添加字段选择节点，用表达式@FIELD:TYPE = "连续"动态选中所有待预测的度量字段，无需手动罗列字段名

2. 批量多时间序列预测实现（核心问题解决） #

提供两种适配不同需求的实现方案：

方案A：内置时间序列节点批量模式（无代码，操作简单）

• 接入时间序列节点后，在字段配置页选择使用动态字段选择，按规则配置即可：
  • 时间字段：选中固定的公共时间字段
  • 目标字段：选择所有连续型字段，无需手动指定每一个序列字段
  • 按需配置预测周期、步长等通用参数后直接运行，节点会自动遍历所有符合规则的连续型字段，分别生成每个序列的预测结果
  • 适配性说明：无论每次运行时连续型字段（即时间序列）的数量是多少，都会自动全量处理，完全不需要修改节点配置

方案B：Python脚本节点自定义逻辑（灵活性更高，适配复杂规则）

如果内置节点满足不了自定义预测需求，可直接用Python脚本节点实现和本地for循环完全一致的逻辑：

• 接入Python脚本节点，示例代码如下，可直接修改适配你的业务规则：

import pandas as pd
from statsmodels.tsa.arima.model import ARIMA

# 读取上游输入数据
df = modelerInputAsDataFrame(0)
# 替换为你的公共时间字段名
time_col = "record_date"
# 动态获取所有待预测序列列（除时间字段外的所有数值列）
series_cols = [col for col in df.columns if col != time_col and pd.api.types.is_numeric_dtype(df[col])]
result_list = []
# 按需修改预测步长
forecast_steps = 14

for col in series_cols:
    # 提取单条时间序列
    ts = df.set_index(time_col)[col].asfreq('D') # 按需修改时间频率
    # 训练模型生成预测
    model = ARIMA(ts, order=(1,1,1)).fit()
    fcst = model.get_forecast(steps=forecast_steps).summary_frame()
    # 格式化预测结果
    fcst = fcst.reset_index().rename(columns={"index": time_col, "mean": f"{col}_prediction"})
    result_list.append(fcst)

# 合并所有序列的预测结果
final_result = pd.concat(result_list, axis=1).loc[:,~pd.concat(result_list, axis=1).columns.duplicated()]
# 输出到下游节点
modelerOutputAsDataFrame(final_result, 0)

• 优势：完全兼容你已有的Python实现逻辑，序列数量动态变化时不需要修改任何代码

3. 预测结果自动回写 #

预测结果节点直接接入对应数据源的导出节点，配置和源系统的连接信息即可，无需额外修改配置适配动态字段，节点会自动识别所有输出字段写入目标表。

内容的提问来源于stack exchange，提问作者data-giraffe