特征工程之处理时间序列数据

时间:2020-9-6 作者:admin


特征工程之处理时间序列数据

维基百科对于特征工程的定义是:利用相关领域知识,通过数据挖掘技术从原始数据中提取特征的过程。这些特征可以用来提高机器学习算法的性能。

不过,特征工程不一定非得很花哨。特征工程的一个简单但普遍的处理对象是时间序列数据。特征工程在这个领域的重要性是因为(原始)时间序列数据通常只包含一个表示时间属性的列,即日期时间(或时间戳)。

对于日期时间数据,特征工程可以看作是从独立的(不同的)特征数据中提取有用的信息。例如,从“2020–07–01 10:21:05”这日期时间数据中,我们可能需要从中提取以下特征:

  1. 月份:7
  2. 本月第几日:1
  3. 周几:周三(通过2020-07-01判断得到)
  4. 时刻:10:21:05

从日期时间数据中提取这类特征正是本文的目标。之后,我们将结合我们的工程实际中的特征数据,将其作为预测因子,并且建立一个gradient boosting 回归预测模型。具体来说,我们将预测地铁州际交通量。

本文目录

本文主要包含以下内容:

详细阐述如何从时间日期数据中提取以下特征数据:

  1. 月份
  2. 时间数据处于每月第几日
  3. 周几
  4. 时间
  5. 时段分类(早上、下午等)
  6. 周末标记(如果是周末则添加标记1,否则添加标记0)

如何将上述特种数据用于搭建Gradient Boosting 回归模型,并且实现对于地铁州际交通量的预测

数据情况

在本文中,我们使用地铁州际交通量数据集,它可以在UCI机器学习库中找到。
该数据集是明尼苏达州圣保罗州明尼阿波利斯市I-94的每小时交通量,其中包括2012-2018年的天气和假日数据。这48204行数据包含以下属性:

  1. holiday:类型数据,包含美国国家法定假日、区域假日、明尼苏达州博览会等
  2. temp:数值型数据,平均温度(开尔文)
  3. rain_1h:数值型数据,每小时降雨(毫米)
  4. snow_1h:数值型数据,每小时降雪(毫米)
  5. clouds_all:数值型数据,云层情况(百分比)
  6. weather_main:类型数据,当前天气的分类描述(简要)
  7. weather_description:类型数据,当前天气的分类描述(详细)
  8. data_time:时间序列数据
  9. traffic_volume:数值型数据,每小时I-94 ATR 301记录的西行交通量(本文预测目标)

接下来,我们首先载入数据:

# import libraries
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
# load the data
raw = pd.read_csv('Metro_Interstate_Traffic_Volume.csv')
# display first five rows
raw.head()
# display details for each column
raw.info()

特征工程之处理时间序列数据

raw.head()

特征工程之处理时间序列数据

raw.info()

查看info信息,我们发现data_time这一类目是object类型,所以我们需要将其转化为datetime类型:

# convert date_time column to datetime type
raw.date_time = pd.to_datetime(raw.date_time)

特征工程

从上面的info方法的输出中,我们知道除了date_time列之外还有其他的分类特征。但是由于本文的主要主题是处理时间序列数据,我们将重点关注针对date_time的特性工程。

Month

Pandas自身有许多易于使用的方法来处理datetime类型的数据。要提取时间/日期信息,我们只需调用pd.Series.dtpd.Series.dt.month是提取month信息所需的函数。这将产生一系列int64格式的月份数字(例如1代表1月,10代表10月)。

# extract month feature
months = raw.date_time.dt.month

Day of month

Month类似,我们只需要调用pd.Series.dt.day函数。以2012-10-27 09:00:00为例,调用该函数提取结果为27。

# extract day of month feature
day_of_months = raw.date_time.dt.day

Hour

类似地,pd.Series.dt.hour将生产对应的小时信息数据(范围为0-23的整数)。

# extract hour feature
hours = raw.date_time.dt.hour

Day name

获取Day name的方式和上面几个数据有所不同。我们想要确定raw.date_time序列中关于星期几的信息,需要以下两个步骤。首先,通过pd.Series.dt.day_name()生成day name序列。然后,我们需要通过pd.get_dummies()进行独热编码(one-hot encode)。

# first: extract the day name literal
to_one_hot = raw.date_time.dt.day_name()
# second: one hot encode to 7 columns
days = pd.get_dummies(to_one_hot)
#display data
days

特征工程之处理时间序列数据

独热编码后的Day name信息

Daypart

在本部分中,我们将基于Hour数据创建一个分组。我们希望有六个小组代表每一天的各个部分。它们是黎明(02.00-05.59)、上午(06.00-09.59)、中午(10.00-13.59)、下午(14.00-17.59)、晚上(18.00-21.59)和午夜(22.00-次日01.59)。

为此,我们创建了一个标识函数,稍后将使用该函数来作为数据系列的apply方法。然后,我们对得到的dayparts执行一个热编码。

# daypart function
def daypart(hour):
    if hour in [2,3,4,5]:
        return "dawn"
    elif hour in [6,7,8,9]:
        return "morning"
    elif hour in [10,11,12,13]:
        return "noon"
    elif hour in [14,15,16,17]:
        return "afternoon"
    elif hour in [18,19,20,21]:
        return "evening"
    else: return "midnight"
# utilize it along with apply method
raw_dayparts = hours.apply(daypart)
# one hot encoding
dayparts = pd.get_dummies(raw_dayparts)
# re-arrange columns for convenience
dayparts = dayparts[['dawn','morning','noon','afternoon','evening','midnight']]
#display data
dayparts

特征工程之处理时间序列数据

独热编码后的Day parts信息

Weekend flag

我们从date_time时间序列数据中提取的最后一个特征是is_weekend。这一特征指示给定的日期时间是否在周末(星期六或星期日)。为了实现这一目标,我们将利用pd.Series.dt.day_name()方法以及lambda函数。

# is_weekend flag 
day_names = raw.date_time.dt.day_name()
is_weekend = day_names.apply(lambda x : 1 if x in ['Saturday','Sunday'] else 0)

Holiday flag 以及 weather

幸运的是,这些数据还包含公共假日信息。信息是细粒度的,因为它提到每个公共假日的名称。尽管如此,本文假设对每个假期进行编码并没有显著的好处。因此,让我们创建一个二进制特性来指示对应的日期是否是假日。

# is_holiday flag
is_holiday = raw.holiday.apply(lambda x : 0 if x == "None" else 1)

我们需要考虑的最后一个分类特征是天气。我们只对该特征进行如下独热编码。

# one-hot encode weather
weathers = pd.get_dummies(raw.weather_main)
#display data
weathers

特征工程之处理时间序列数据

独热编码后的Weather信息

特征处理后的数据

现在,我们终于有了最终的可用于训练的数据!让我们创建一个名为features的全新数据集,它包含所有的特征,包括数值型特征(我们从原始数据中按原样放置)和类型特征(我们设计的特性)。

# features table
#first step: include features with single column nature
features = pd.DataFrame({
    'temp' : raw.temp,
    'rain_1h' : raw.rain_1h,
    'snow_1h' : raw.snow_1h,
    'clouds_all' : raw.clouds_all,
    'month' : months,
    'day_of_month' : day_of_months,
    'hour' : hours,
    'is_holiday' : is_holiday,
    'is_weekend' : is_weekend
})
#second step: concat with one-hot encode typed features
features = pd.concat([features, days, dayparts, weathers], axis = 1)
# target column
target = raw.traffic_volume

在我们将数据输入模型之前,我们需要分割数据(训练集和测试集)。请注意,下面我们不随机化我们的数据,这是由于我们的数据具有时间序列特征。

#split data into training and test data
X_train, X_test, y_train, y_test = train_test_split(features, target, test_size=0.1, shuffle = False)

建立回归预测模型

现在我们准备建立我们的模型来预测地铁州际交通量。在这项工作中,我们将使用Gradient Boosting回归模型。

该模型的理论和具体细节超出了本文的讨论范围。但是简单来说,gradient-boosting模型属于集成模型,它使用梯度下降算法来降低弱学习模型(决策树)中的预测损失。

训练模型

让我们在训练数据上实例化模型并训练模型!

from sklearn import datasets, ensemble
# define the model parameters
params = {'n_estimators': 500,
          'max_depth': 4,
          'min_samples_split': 5,
          'learning_rate': 0.01,
          'loss': 'ls'}
# instantiate and train the model
gb_reg = ensemble.GradientBoostingRegressor(**params)
gb_reg.fit(X_train, y_train)

评价模型

我们选择两个指标来评价模型:MAPE 和 R2得分。在测试集上使用训练完成的模型进行预测,然后计算这两个指标。

# define MAPE function
def mape(true, predicted):        
    inside_sum = np.abs(predicted - true) / true
    return round(100 * np.sum(inside_sum ) / inside_sum.size,2)
# import r2 score
from sklearn.metrics import r2_score
# evaluate the metrics
y_true = y_test
y_pred = gb_reg.predict(X_test)
#print(f"GB model MSE is {round(mean_squared_error(y_true, y_pred),2)}")
print(f"GB model MAPE is {mape(y_true, y_pred)} %")
print(f"GB model R2 is {round(r2_score(y_true, y_pred)* 100 , 2)} %")

特征工程之处理时间序列数据

测试集上的评价指标结果

我们可以看出我们的模型性能相当不错。我们的MAPE低于15%,而R2得分略高于95%。

结果可视化

为了直观理解模型性能,结果可视化很有必要。

由于我们的测试数据(4820个数据点)的长度,我们只绘制了最后100个数据点上的实际值和模型预测值。此外,我们还包括另一个模型(在下面的绘图代码中称为gb_reg_lite),它不包含日期时间特征作为其预测因子(它只包含非日期时间列作为特征,包括tempweather等)。

fig, ax = plt.subplots(figsize = (12,6))
index_ordered = raw.date_time.astype('str').tolist()[-len(X_test):][-100:]
ax.set_xlabel('Date')
ax.set_ylabel('Traffic Volume') 
# the actual values
ax.plot(index_ordered, y_test[-100:].to_numpy(), color='k', ls='-', label = 'actual')
# predictions of model with engineered features
ax.plot(index_ordered, gb_reg.predict(X_test)[-100:], color='b', ls='--', label = 'predicted; with date-time features')
# predictions of model without engineered features
ax.plot(index_ordered, gb_reg_lite.predict(X_test_lite)[-100:], color='r', ls='--', label = 'predicted; w/o date-time features')
every_nth = 5
for n, label in enumerate(ax.xaxis.get_ticklabels()):
    if n % every_nth != 0:
        label.set_visible(False)
ax.tick_params(axis='x', labelrotation= 90)
plt.legend()
plt.title('Actual vs predicted on the last 100 data points')
plt.draw()

特征工程之处理时间序列数据

后100个点的预测结果

该图中蓝色虚线与黑色实线十分接近。也就是说,我们提出的gradient-boosting模型可以很好地预测地铁交通量。

同时,我们看到不使用日期时间特征的模型在性能上出现了差异(红色虚线)。为什么会这样?只是因为我们会依赖交通工具,交通流量在周末趋于减少,但在高峰时段出现高峰。因此,如果我们不对日期时间数据进行特征工程处理,我们将错过这些重要的预测因子!

作者:Pararawendy Indarjo

deephub翻译组 OliverLee

声明:本文内容由互联网用户自发贡献自行上传,本网站不拥有所有权,未作人工编辑处理,也不承担相关法律责任。如果您发现有涉嫌版权的内容,欢迎进行举报,并提供相关证据,工作人员会在5个工作日内联系你,一经查实,本站将立刻删除涉嫌侵权内容。