将时间定义为决策树算法中的分类变量

如何解决将时间定义为决策树算法中的分类变量

我正在使用 LightGBM 使用决策树方法（确定几年草莓的价格）来解决时间序列回归问题。函数 lightgbm.Dataset 接受分类特征列表，我不确定该列表中是否应包含时间特征。

我已将时间索引数据分为年、月、季等：

df['year'] = pd.DatetimeIndex(df.index).year

df['month'] = pd.DatetimeIndex(df.index).month

df['week'] = np.int64(pd.DatetimeIndex(df.index).isocalendar().week)

df['day'] = pd.DatetimeIndex(df.index).dayofweek # Mon=0,...,Sun=6

df['weekend'] = np.int64(pd.DatetimeIndex(df.index).dayofweek >= 5) # weekday=0,weekend=1

# 1=winter,2=spring,3=summer,4=autumn
df['season'] = pd.DatetimeIndex(df.index).month%12 // 3 + 1

# national public holidays
df['hols'] = pd.Series(pd.DatetimeIndex(df.index)).apply(lambda x: holidays.CountryHoliday('BEL').get(x)).values.astype('bool').astype('int')

现在我正在尝试确定哪些应归类为分类变量。我看过这篇 Data Science 的帖子，但似乎仍然没有定论。

解决方法

我过去已经使用过这种时间变量，但我认为这样使用它有一个缺点。例如，看看季节和这 3 个日期：

• 1 月 10 日 -> 冬天
• 3 月 19 日 -> 冬天
• 3 月 20 日 -> 春季

您的情况最近几天？ (10-01,19-03) 或 (19-03,20-03)。恕我直言，即使不是同一个季节，草莓的价格也应该更接近 (19-03,20-03) 而不是 (10-01,19-03)。

我在使用 DayOfYear (1->365) 时遇到了类似的问题：

• 2019-12-31：365
• 2020-01-01：1
• 2020-07-01：183
• 2020-12-31：365

天之间的距离不具有代表性。我解决了使用这个公式：

Value of day = min((365 - DoY(Day),(DoY(Day) - 1))

• 2019-12-31：0
• 2020-01-01：0
• 2020-07-01：182
• 2020-12-31：0

这是欧洲电力消耗的正确选择，因为负载确实是季节性的。