用于时间序列预测的AutoML

作者 | Denis Vorotyntsev

来源 | Medium

编辑 | 代码医生团队

最近，参加了AutoSeries —时间序列数据的AutoML竞赛，在其中设法获得40个竞争对手（决赛中的15个）的第一名。这篇文章是解决方案的概述。

比赛说明

AutoSeries是Web搜索和数据挖掘（WSDM）会议的竞赛之一。该竞赛是由4Paradigm和ChaLearn组织的第十届AutoML竞赛。先前的旨在为表格数据，计算机视觉，自然语言处理和语音识别任务提供自动机器学习解决方案。过去挑战的完整列表可以在AutoML挑战的官方网站上找到。

http://automl.chalearn.org/

这项挑战旨在为时间序列回归任务提出自动化解决方案。AutoSeries仅限于多元回归问题，这些问题来自不同的时间序列域，包括空气质量，销售，工作状态，城市交通等。挑战中的每个数据集都是表格数据，其特征主要有以下三种类型：Id（可以是多个特征或没有特征），时间戳（每个数据集只有一个时间戳），其他特征（数值或分类）以及预测目标。Id功能的组合标识一个变量（时间序列）。

给定数据集的示例。数据被混淆了，但是有一些时间序列模式

参与者必须提交代码，这些代码将在Docker容器中运行（CPU：4核，16 Gb RAM，无GPU）。首先，该模型是在完整数据上训练的，但是在推理过程中，可以对其进行更新或重新训练。公开排行榜是根据五个数据集（私有）得出的-5个新数据集，无需人工干预。私有数据集的结果确定最终排名。

最终解决方案概述

最终解决方案的一般步骤

本节专门介绍最终解决方案的主要部分。它的代码在这里发布：

https://github.com/DenisVorotyntsev/AutoSeries

特色工程

该解决方案包括几个步骤。首先，为时序任务生成通用功能。这些功能的数量和类型是管道的超参数，应针对每个任务分别对其进行优化，但是由于缺乏计算时间，决定为所有任务生成相同的功能，并在功能选择阶段删除无用的功能。

第一批特征是基于最关键的数字特征的特征。成对的数字特征的数字运算（加，减，乘和除）始终会提高基于树的模型的得分，因为新特征可能会揭示数据中的某些隐藏关系。

例如，预测一下公寓的价格。在公寓的地板（已知信息ap_floor）和地板（总数total_floors -在建筑物）可能通过添加新功能来丰富relative_floor -这说明在建设公寓的地板上的相对位置：

rel_floor = ap_floor / total_floors

此功能可能有助于模型理解排屋的第三层（rel_floor接近于1）与摩天大楼的第三层（rel_floor接近于0）不同。

但是，如果执行所有可能对的数值运算，则此类特征工程策略存在两个重大问题：过拟合（在时间序列任务中尤其重要）和内存问题（使用了16个RAM泊坞窗）。为了减少负面影响，选择了一小部分特征并将其用于对。通过将整个数据集拟合到浅LigtGBM模型（10棵树）来完成。所有使用的功能均按“获得”重要性进行排序，即使用该功能的拆分的总增益之和。然后，将对前n个最 重要的数字特征进行选择。

下一批功能基于数据的时间序列性质：先前的值和差异。计算目标的滞后值，最重要的数字和分类特征，目标的最后一个值（滞后= 1）和目标的滞后值（滞后> 1）之间的差。这些新功能是最重要的功能。

最后一批是时间序列功能：年，月，周几，年几和小时。可以添加更多基于时间的功能，例如一天中的一分钟，一年中的时数等，但是决定不这样做，因此解决方案将是通用的。将这些新功能视为类别有时会提高得分，但在其他情况下，它会大大降低得分。在推理过程中，没有足够的计算时间来优化此超参数（即，将其视为数值或分类），因此将它们全部都视为数值。

验证和基准模型

生成新功能后，将对基线模型进行训练。基准模型使用所有初始和创建的功能。它使用CatBoost编码器对类别进行编码，并按原样使用目标。该模型分两个步骤进行训练：

1. 首先将数据分为训练和验证部分。通常希望训练/验证/测试拆分模拟“生产设置”中模型的使用。对于时间序列，这意味着该模型不会频繁更新，并且需要在验证部分中获取20％到30％的数据（或使用具有相同比例的滚动窗口）。在这次比赛中，可以频繁更新模型，因此验证部分应该较小：验证部分是全部训练数据的10％。它用于早期停止，即在增强合奏时优化树木的数量。完成此步骤后，模型可以开始进行预测，并且随后的所有步骤都是可选的（bt对于获得高分至关重要）。
2. 使用最佳数量的树，可以对完整数据进行模型拟合。

使用了单独的LigthGBM模型进行预测。测试了CatBoost（没有GPU的速度太慢）和LinearModels（不够精确）。还用不同的种子测试了装袋和训练以减少预测的差异，但是这些方法花费了很多时间，并且得分的提高不足以包含在最终解决方案中。

超参数优化

超参数优化的步骤

在推理过程中，花很少的时间进行超参数优化，因此决定将所有可能的超参数组合缩小到最有前途的组合，即：

1. 处理类别变量：将类别特征视为pandas类别类型，让LightGBM头痛不已，或者使用CatBoost编码对每个类别进行编码。
2. 目标预处理：按原样使用目标，或通过区分：new_target（t）= target（t）-target（t-1）计算新的目标以进行回归。差异可以帮助克服非平稳时间序列数据。还测试了功率变换（扎根于目标和Box-Cox）以减少平稳性，但是它并没有将分数提高到足以包含在最终解决方案中。

首先对每组参数进行验证，如果新的验证评分更好，则重新安装模型。在选择了最佳的管道超参数集之后，模型开始特征选择：使用最重要的特征（“获得”重要性）的前5％，10％，20％等对模型进行重新拟合。如果分数提高了-在最后的可选步骤中使用了一组新功能-优化超参数（RandomGrid）。

更新中

更新很简单：用完整的数据（训练数据加上新的训练数据）重新拟合最佳模型。然而频繁更新对于获得高分至关重要。

结果

为这个项目付出了很多努力，而奋斗得到了回报。在公共排行榜中排名第三，在私人排行榜中排名第一。

比赛的私人排行榜

总结经验

在比赛中，遇到了很多错误，这浪费了时间和精力。错误是不可避免的，但是有一些注释，如果从一开始就使用它们，这些注释有很大帮助：

1. 记录尽可能多的有用信息：数据框中的列（训练和测试数据中的列顺序可能不同），数据类型（训练和测试数据框中的数据类型可能不同），每次训练的时间，训练剩余时间等等。这将有助于理解为什么提交失败或得分较低的原因。例如某些提交中的模型由于一个愚蠢的错误而没有更新，而却没有注意到。因此分数远远低于应有的分数。简单的消息打印（“模型已更新！”）节省了一天的时间，并帮助找到了错误。
2. 在AutoML中，对看不见的数据进行测试至关重要。可能很容易为公共部分过度安装解决方案，并且可能导致看不见的数据崩溃。这就是提交在第一项任务上失败了。在比赛开始时尝试收集更多数据。新的数据集应该是多种多样的，例如，缺少值或类别中的字符串以及其他因素，这可能会使代码崩溃。用不同的时间预算测试它们：尝试在时间紧张的情况下输出甚至较差的模型。
3. 以“即插即用”的方式组织代码：管道的每个部分都不应依赖其他部分。例如，想拟合线性回归而不是LightGBM，这容易吗？如果代码井井有条，那就可以了。在这场比赛中，朝着更干净，更有条理的代码迈出了一大步。
4. 请勿在pandas中使用就地操作，因为它有故障。只是尽可能不要使用它。

https://github.com/pandas-dev/pandas/issues/30484

致谢

要感谢AutoSeries竞赛的组织者-4Paradigm和ChaLearn团队。他们做得很好：收集了数据，准备了提交评分引擎，编写了可靠的基准解决方案，并在论坛和电子邮件中回答了出现的问题。