时间序列预测任务数据集特征预处理方案合理性验证及优化咨询

现有方案存在的问题 #

• 周期性特征处理逻辑不合理：Month、星期Day、Hour都是典型的周期型特征，one-hot编码会带来特征维度膨胀，且丢失周期内的临近关系（比如12月和1月实际相邻，one-hot编码后向量距离反而远）；Hour、Week直接保留原始数值的话，模型会错误认为23点>0点、当月第4周>第1周，不符合周期规律。
• 特征删除规则过于粗暴：Date不需要作为特征输入，但绝对不能从原始数据中删除，它是你做时序数据集划分、构造LSTM所需时间滑窗的核心依据；如果数据时间跨度超过2年、目标变量DE存在明显的逐年变化的长期趋势，直接删除Year会丢失关键趋势信息。
• 数值特征未做量纲统一：Hour、温度的数值范围差异极大，MLP、LSTM这类基于梯度下降的模型对量纲非常敏感，直接输入会导致模型收敛慢、效果差。
• one-hot编码存在冗余：三类的日期类型做one-hot编码会产生3维特征，存在多重共线性问题，实际用2维哑编码就可以覆盖全部信息。

优化建议 #

通用预处理规则（适用于所有模型） #

• 周期型特征改用正弦余弦编码：对周期为T的特征x，生成两个新特征sin(2πx/T)、cos(2πx/T)，既保留了周期内的位置临近关系，特征维度也仅增加2维。比如Hour周期为24，Week周期为4，Month周期为12，星期Day周期为7，都可以用该方式编码。
• 类别特征按需选择编码方式：Regular Day?如果是给神经网络用可以保留one-hot编码，也可以改用嵌入层编码降低维度；如果后续要加树模型做对比，直接用标签编码即可。
• 数值特征做归一化/标准化：温度特征统一做标准化（减均值除方差）或者缩放到[-1,1]区间，统一量纲加快模型收敛。
• 保留日期相关辅助字段：Date字段从输入特征中排除，但保留在原始数据表中用于数据集划分、滑窗构造；如果数据时间跨度≥2年且DE有长期趋势，将Year做归一化后作为特征保留，否则可以删除。

不同模型的适配调整 #

• MLP模型：按照上述通用规则处理后即可输入，注意数据集必须按时序先后划分训练/验证/测试集，绝对不能随机打乱顺序，滑窗构造样本时输入为过去N个时间步的特征，输出为对应预测步的DE值。
• LSTM等时序模型：除通用预处理外，需要将输入转换为样本数 * 时间步长 * 特征数的三维格式；可以额外加入历史同期DE值作为特征（比如前一天同一小时的DE、前一周同一天同一小时的DE），能大幅提升预测精度。

内容的提问来源于stack exchange，提问作者Ram