TensorFlow结构时间序列单步预测流程与代码正确性问询

1. sts.LinearRegression使用全量特征是否是典型工作流？ #

绝对不是时间序列建模的标准工作流——这种做法会导致数据泄露，严重高估模型的实际性能。

时间序列建模的核心逻辑是“用过去的已知数据预测未来”，测试集对应模型训练时“尚未发生”的时段。如果建模时提前使用测试集的特征，本质上是让模型获取了未来的信息，完全违背了真实预测场景的逻辑。

官方Notebook这么做通常是两种情况：

• 仅作为演示示例，为了简化代码流程，没有严格遵循生产级的训练规范；
• 所用特征是静态特征（比如不会随时间变化的属性，如产品类别、地区编码），这类特征不存在“未来信息泄露”的问题，全量使用是安全的。但如果是动态特征（如滞后项、滚动统计量），全量使用就绝对错误。

2. 单步预测代码正确性判断 #

你没有提供具体代码，无法直接判断是否正确，但可以给你单步预测的标准实现逻辑作为参考：

• 先拆分训练集 (y_train, X_train) 和测试集 (y_test, X_test)，必须保证测试集的时间节点晚于训练集；
• 用 (y_train, X_train) 拟合 sts.LinearRegression 模型；
• 初始化预测结果列表，遍历测试集：
  • 第一步：用 X_test[0, :] 预测 y_pred_0，加入结果列表；
  • 后续步骤：如果模型需要用上一步的真实观测值（比如特征包含y的滞后项），则将 y_test[i-1] 代入构建新的特征向量，再结合 X_test[i, :] 中的其他特征进行预测；如果模型仅依赖X的当前特征，直接用 X_test[i, :] 预测即可；
• 最后用真实的 y_test 和预测结果计算评估指标（MAE、RMSE等）。

标准单步预测伪代码示例 #

import tensorflow_probability as tfp
import numpy as np
tfp = tfp.substrates.numpy

# 按时间顺序拆分训练测试集
train_size = int(0.8 * len(y))
y_train, y_test = y[:train_size], y[train_size:]
X_train, X_test = X[:train_size], X[train_size:]

# 拟合模型
model = tfp.sts.LinearRegression(design_matrix=X_train)
posterior = tfp.sts.fit(model, y_train)

# 执行单步预测
y_preds = []
for i in range(len(y_test)):
    if i == 0:
        # 第一步直接用测试集第一个样本的特征
        pred_dist = posterior.predict(model, X_test[i:i+1])
    else:
        # 若特征包含上一步的y观测值，需替换为真实值（示例假设最后一列是y滞后项）
        modified_X = X_test[i:i+1].copy()
        modified_X[0, -1] = y_test[i-1]
        pred_dist = posterior.predict(model, modified_X)
    # 取预测分布的均值作为预测结果
    y_pred = pred_dist.mean().item()
    y_preds.append(y_pred)

# 计算评估指标
mae = np.mean(np.abs(y_test - y_preds))
print(f"单步预测MAE: {mae:.4f}")

内容的提问来源于stack exchange，提问作者testing_dummy