kaggle篇（二）时间序列标注实践

简介：1.数据处理；2.数据探索；3.模型训练；4.提交

思路：增加日期相关特征，模型捕捉特点产品特征，21天销售额为0 ，则零预测—— Tom 平均误差，平滑噪音——改进预测

1.数据处理

1.1 数据缺失

发现：检查缺失值（圣诞节日期，周末油价数据， 交易数据 ），了解时间序列范围和特性；

解决：圣诞节日期缺失补为0，填补周末油价数据， 交易数据 （ 零销售日期的交易数据填充为0，并对其余缺失值进行线性插值 ）

1.2 数据处理

识别假期数据中不同层级的假期；

将假期数据进行标准化和简化，以便于建模和分析 —— 1.通过将类似的假期（如周围的假期）分组来减少数据的复杂性，并通过处理假期描述中的冗余词汇来统一假期标签 ；2. 去除了不实际庆祝的转移假期，将假期分为不同级别（国家、区域、地方），并为这些假期创建了适合模型的特征

2.数据探索

数据预处理和转换：

• 数据从长格式转换为宽格式，以便每列对应一个时间序列。这样可以更方便地进行分析和可视化。

• 数据缩放处理使得不同商店和产品类别的销售值在相同的尺度上，便于比较。

• 缩放后的数据转换回长格式，并添加假期信息，以便分析假期对销售的影响。

发现：

1. 零销售趋势：

   • 随着时间的推移，零销售的数量总体减少，但圣诞节和新年期间零销售仍然较多。

   • 部分目标系列的所有值都为零，可能与产品类型有关，例如书籍类产品。

   • 许多目标系列以零开始，这可能表明产品缺货或开始销售表现差。

   • 目标系列尾部的零较少，表明销售在年度之间较为一致，但有些产品末期销售差。</