简介这份资源是2022年第十届泰迪杯数据挖掘竞赛B题的完整AutoTS建模代码面向参加数据挖掘与时间序列预测竞赛的学生、电力负荷预测方向的研究者以及希望用自动化框架替代手工调参的Python开发者。压缩包共25个文件以13个csv结果数据、8个ipynb笔记本、3个py脚本和1个xls表格为主整体约2.31MB覆盖数据清洗、模型训练到预测结果输出的完整链路。目前已有1442人学习下载。代码围绕AutoTS自动时间序列框架展开包含模型选择、超参数优化与特征工程等关键环节并针对普通工业、大工业、非普通工业、商业等不同用电类型分别给出最大与最小总有功功率的预测结果同时提供未来三个月逐日预测数据。相比LSTM与ARIMA该方案在拟合程度和精确度上均有提升训练更快、使用门槛更低适合作为赛题复盘、方法对比与电力负荷预测实践的参考模板。1. 电力负荷预测的 AutoTS 实战从泰迪杯 B 题代码包说起2022 年第十届泰迪杯数据挖掘竞赛 B 题做的是电力负荷预测。赛题给了某地区若干类用电负荷的历史序列要求预测未来三个月每天的负荷值。当年很多队伍卡在两个地方一是 LSTM 调参调到怀疑人生二是 ARIMA 的平稳性检验和定阶反复翻车。而这份代码包走的是另一条路——用 AutoTS 做自动化时间序列建模把模型选择、特征工程、超参搜索交给框架最终在拟合程度和精确度上都压过了 LSTM 和 ARIMA。这份资源就是当年那套完整可跑的代码包含数据清洗、两大问各小问的建模脚本、结果 CSV 和未来三个月预测输出适合正在做电力负荷预测、想找一个能直接复现的 AutoTS 基线的人。下面我按「它是什么、怎么跑、坑在哪」拆开讲。2. AutoTS 凭什么在电力负荷上压过 LSTM 和 ARIMA2.1 三类模型在负荷序列上的真实差异电力负荷序列有几个典型特征日周期、周周期、节假日突变、温度驱动的非线性波动以及长期缓慢增长的趋势。这三类模型对这几个特征的适配方式完全不同。ARIMA 是线性模型它的前提是序列经过差分后近似平稳。日周期和周周期需要靠季节性差分或者外生变量硬塞进去遇到节假日那种尖峰线性假设直接失效。LSTM 能学非线性但它对输入窗口长度、层数、学习率极其敏感而且训练成本高一个序列跑一轮可能几十分钟调参周期长。AutoTS 的思路不一样它把 ETS、Prophet 类模型、ARIMA 变体、以及基于树的回归器随机森林、XGBoost 这类都纳入候选池用交叉验证自动挑还自动做差分、去趋势、加周期特征。提示AutoTS 不是单一模型而是一个「模型搜索 集成」的框架它的优势来自候选池的多样性而不是某个模型特别强。对电力负荷这种既有强周期又有非线性突变的序列AutoTS 的候选池天然覆盖了线性和非线性两端交叉验证又会按实际误差挑所以它比单独一个 LSTM 或单独一个 ARIMA 更稳。这也是这份代码包在 B 题里精度更高的根本原因不是玄学是模型选择机制在起作用。2.2 代码包结构与各文件职责拿到压缩包先别急着跑先认清文件。这份资源里文件不少按职责可以分成四类文件/目录职责数据清洗.ipynb原始负荷数据清洗输出洗好的数据.csv洗好的数据.csv清洗后的建模输入AutoTS模型.ipynb / AutoTS模型.py第一大问两个小问的主建模脚本第二大问第二小问.py / .ipynb第二大问第二小问建模第二大问*结果.csv各类负荷的最大/最小总有功功率预测结果未来三个月每天.xls / auto未来三个月每天最大(小)值.csv未来三个月逐日预测输出这里要注意代码包里同时存在 .py 和 .ipynb 两种形式内容基本对应。.py 适合命令行批量跑.ipynb 适合在 Notebook 里逐格调试看中间结果。第一次上手建议先用 .ipynb能直观看到每一步的 DataFrame 长什么样确认数据没问题再切 .py 跑全量。2.3 环境依赖与安装AutoTS 对版本比较挑尤其是它依赖的 statsmodels、pmdarima、scikit-learn。常见做法是单独建一个虚拟环境避免和系统里已有的包打架# 建虚拟环境Python 3.8~3.10 兼容性最好 python -m venv autots_env source autots_env/bin/activate # Windows 用 autots_env\Scripts\activate # 核心依赖版本别乱升 pip install autots0.5.* pandas numpy scikit-learn statsmodels pip install pmdarima xlrd openpyxl jupyter参数说明autots 锁在 0.5.x 是因为 0.6 之后部分 API 有调整老代码直接跑可能报参数名错误xlrd 是读 .xls 用的openpyxl 读 .xlsxpmdarima 提供 auto_arimaAutoTS 内部会调用。装完先python -c import autots; print(autots.__version__)确认能导入再往下走。3. 从洗好的数据到 AutoTS 建模完整复现步骤3.1 数据清洗环节要看什么数据清洗.ipynb 干的事不复杂但决定了后面模型的上限。电力负荷原始数据常见的问题是缺失值、异常尖峰采集故障、时间戳不连续、单位不统一。清洗脚本一般会做插值补缺、按 3σ 或 IQR 剔除异常、重采样到统一频率。import pandas as pd import numpy as np # 读原始数据注意 .xls 要指定引擎 df pd.read_excel(原始负荷数据.xls, enginexlrd) # 时间列转 datetime 并设为索引这是时间序列的硬要求 df[时间] pd.to_datetime(df[时间]) df df.set_index(时间).sort_index() # 缺失值用时间插值比均值填充更符合负荷的连续性 df[负荷] df[负荷].interpolate(methodtime) # IQR 剔除异常尖峰 q1, q3 df[负荷].quantile([0.25, 0.75]) iqr q3 - q1 lower, upper q1 - 1.5 * iqr, q3 1.5 * iqr df[负荷] df[负荷].clip(lower, upper) df.to_csv(洗好的数据.csv, encodingutf-8-sig)逻辑说明时间插值利用负荷的连续性比全局均值合理IQR 用 clip 而不是直接删行是为了保持时间索引连续删行会让后面按频率建模出问题。参数上 1.5 倍 IQR 是标准阈值如果数据本身波动极大可以放宽到 3 倍否则会把真实的高峰负荷当异常砍掉。注意清洗后的 csv 一定要检查行数和时间跨度如果插值后出现整段平坦的直线说明原始缺失太多插值已经失真这种段落在建模前要单独标记。3.2 AutoTS 核心建模代码这是整份资源的核心。AutoTS 的用法比想象中简单关键在几个参数模型候选列表、集成方式、预测长度、交叉验证轮数。from autots import AutoTS import pandas as pd # 读清洗后的数据宽表格式索引是时间列是各负荷类型 df pd.read_csv(洗好的数据.csv, index_col0, parse_datesTrue) model AutoTS( forecast_length90, # 未来三个月按天约 90 天 frequencyD, # 日频 ensemblesimple, # 简单集成多个模型加权 model_listdefault, # 默认候选池含 ETS/ARIMA/树模型 max_generations5, # 进化搜索代数越大越慢越准 num_validations2, # 交叉验证轮数 validation_methodbackwards, # 从末尾往前切验证集 n_jobsauto, # 并行核数 ) model model.fit(df) # 输出各候选模型的评分看谁被选中 print(model.results()) # 预测 prediction model.predict() forecast prediction.forecast forecast.to_csv(未来三个月每天.csv, encodingutf-8-sig)逻辑说明forecast_length 设 90 对应赛题「未来三个月每天」frequencyD 告诉框架按日频处理如果数据是小时级要改成 Hensemblesimple 是加权平均比 horizontal 更省内存max_generations 控制搜索深度5 代是精度和耗时的折中赛题环境里再往上加收益递减。model.results() 会打印每个候选模型的 MASE、SMAPE 等指标这是判断模型有没有选对的关键别跳过。参数怎么改如果某类负荷预测误差明显偏大先把 model_list 从 default 换成显式列表比如[ETS, ARIMA, LastValueNaive, RollingRegression]缩小搜索范围再看结果如果数据量小num_validations 降到 1否则验证集切太碎每轮训练样本不够。3.3 多类负荷批量预测与结果落盘B 题第二问涉及普通工业、大工业、非普通工业、商业等多类负荷每类都要出最大和最小总有功功率预测。逐列循环是最直接的做法import os from autots import AutoTS df pd.read_csv(洗好的数据.csv, index_col0, parse_datesTrue) os.makedirs(results, exist_okTrue) for col in df.columns: series df[[col]] # 保持 DataFrame 格式AutoTS 要二维输入 m AutoTS(forecast_length90, frequencyD, ensemblesimple, max_generations3, num_validations1) m m.fit(series) fc m.predict().forecast fc.to_csv(fresults/{col}_预测.csv, encodingutf-8-sig) print(col, done)逻辑说明AutoTS 要求输入是二维 DataFrame所以用df[[col]]而不是df[col]这是新手最容易踩的格式坑。每类负荷单独建模是因为不同负荷的周期结构差异大混在一起建模会互相干扰。max_generations 降到 3 是为了批量跑时控制总耗时如果只跑单列可以调回 5。4. 避坑与排查跑这份代码最容易翻车的五个点4.1 报错 KeyError 或列名对不上现象读 csv 后 fit 直接抛 KeyError或者提示找不到时间列。原因洗好的数据.csv 的索引列在保存时被写成了普通列或者编码不对导致中文列名乱码。解决读的时候显式指定index_col0, parse_datesTrue保存时统一用encodingutf-8-sig避免 Excel 打开乱码。如果列名是中文确认 pandas 读进来后df.columns打印正常。4.2 预测结果全是同一条直线现象forecast 输出每一行数值几乎一样。原因多半是数据里存在大段缺失被插值成常数或者 frequency 设错比如数据是小时级却设了 D框架把序列当成无周期噪声。解决先画一下历史序列确认周期形态检查 frequency 是否和数据实际采样间隔一致如果确实有长缺失段考虑截断或换用能处理缺失的模型。4.3 训练时间过长甚至卡死现象fit 跑几十分钟没动静。原因max_generations 设太大、num_validations 太多、n_jobs 没开并行或者候选池里某个模型在长序列上极慢。解决先把 max_generations 降到 2~3 试跑确认流程通n_jobs 设成 CPU 核数减一必要时用 model_list 显式限定几个快模型排除掉慢的。4.4 不同负荷类型结果差异巨大现象商业负荷预测很准工业负荷误差很大。原因工业负荷受生产排班影响突变多周期不如商业规律AutoTS 默认候选池可能没覆盖到。解决对这类序列单独调 model_list加入对突变敏感的模型或者先做差分去掉趋势再喂给模型。别指望一套参数打天下。4.5 .ipynb 和 .py 结果不一致现象Notebook 里跑出来的结果和命令行跑 .py 不一样。原因Notebook 里可能残留了之前单元格的变量或者随机种子没固定。解决跑 .py 前确认没有依赖 Notebook 内存状态在脚本开头固定np.random.seed(42)AutoTS 内部有随机性固定种子能让结果可复现。5. 进阶技巧让 AutoTS 结果可复现、可对比跑通只是第一步真正要用这份代码做对比实验得解决可复现和可对比两个问题。我一般会在建模前固定随机种子并把每次实验的配置和结果指标一起落盘方便回头对比不同参数的效果。import numpy as np, json, pandas as pd from autots import AutoTS np.random.seed(42) # 固定种子保证同配置结果一致 config {forecast_length: 90, frequency: D, ensemble: simple, max_generations: 5, num_validations: 2, seed: 42} df pd.read_csv(洗好的数据.csv, index_col0, parse_datesTrue) m AutoTS(**{k: v for k, v in config.items() if k ! seed}) m m.fit(df) # 把候选模型评分和配置一起存方便复现对比 results m.results() results.to_csv(model_scores.csv, encodingutf-8-sig) with open(run_config.json, w) as f: json.dump(config, f, ensure_asciiFalse, indent2) # 验证用回测误差判断模型是否真的比基线好 print(m.results().head(10))逻辑说明种子固定后同一份数据同一套参数两次运行结果应当一致这是做对比实验的前提。model_scores.csv 里存的是各候选模型的交叉验证误差看它比只看最终预测值更有信息量——如果最优模型和第二名差距很小说明这份数据本身区分度不高别过度解读精度提升。run_config.json 记录配置下次想复现某个结果直接读这个文件。验证方法上我习惯做两件事一是把 AutoTS 的预测和「朴素法」直接用上周同一天的值对比如果 AutoTS 连朴素法都赢不了说明数据或配置有问题二是把预测区间也画出来AutoTS 的 predict() 会返回 upper/lower forecast区间过宽说明模型对这段序列没把握精度数字好看也不能信。提示赛题类代码包最容易犯的错是「只跑一次就下结论」。AutoTS 的搜索有随机性多跑几次取平均或者固定种子跑结论才站得住。从那以后我每次拿到这类竞赛代码包都强制先固定种子、存配置、跑一遍基线对比再谈精度。希望这份拆解帮到你代码包里的数据清洗和 AutoTS 建模脚本可以直接拿去改重点是把避坑那五条过一遍再跑全量。本文还有配套的精品资源点击获取 电力负荷预测实战：AutoTS自动化时间序列建模与泰迪杯B题代码复现
简介这份资源是2022年第十届泰迪杯数据挖掘竞赛B题的完整AutoTS建模代码面向参加数据挖掘与时间序列预测竞赛的学生、电力负荷预测方向的研究者以及希望用自动化框架替代手工调参的Python开发者。压缩包共25个文件以13个csv结果数据、8个ipynb笔记本、3个py脚本和1个xls表格为主整体约2.31MB覆盖数据清洗、模型训练到预测结果输出的完整链路。目前已有1442人学习下载。代码围绕AutoTS自动时间序列框架展开包含模型选择、超参数优化与特征工程等关键环节并针对普通工业、大工业、非普通工业、商业等不同用电类型分别给出最大与最小总有功功率的预测结果同时提供未来三个月逐日预测数据。相比LSTM与ARIMA该方案在拟合程度和精确度上均有提升训练更快、使用门槛更低适合作为赛题复盘、方法对比与电力负荷预测实践的参考模板。1. 电力负荷预测的 AutoTS 实战从泰迪杯 B 题代码包说起2022 年第十届泰迪杯数据挖掘竞赛 B 题做的是电力负荷预测。赛题给了某地区若干类用电负荷的历史序列要求预测未来三个月每天的负荷值。当年很多队伍卡在两个地方一是 LSTM 调参调到怀疑人生二是 ARIMA 的平稳性检验和定阶反复翻车。而这份代码包走的是另一条路——用 AutoTS 做自动化时间序列建模把模型选择、特征工程、超参搜索交给框架最终在拟合程度和精确度上都压过了 LSTM 和 ARIMA。这份资源就是当年那套完整可跑的代码包含数据清洗、两大问各小问的建模脚本、结果 CSV 和未来三个月预测输出适合正在做电力负荷预测、想找一个能直接复现的 AutoTS 基线的人。下面我按「它是什么、怎么跑、坑在哪」拆开讲。2. AutoTS 凭什么在电力负荷上压过 LSTM 和 ARIMA2.1 三类模型在负荷序列上的真实差异电力负荷序列有几个典型特征日周期、周周期、节假日突变、温度驱动的非线性波动以及长期缓慢增长的趋势。这三类模型对这几个特征的适配方式完全不同。ARIMA 是线性模型它的前提是序列经过差分后近似平稳。日周期和周周期需要靠季节性差分或者外生变量硬塞进去遇到节假日那种尖峰线性假设直接失效。LSTM 能学非线性但它对输入窗口长度、层数、学习率极其敏感而且训练成本高一个序列跑一轮可能几十分钟调参周期长。AutoTS 的思路不一样它把 ETS、Prophet 类模型、ARIMA 变体、以及基于树的回归器随机森林、XGBoost 这类都纳入候选池用交叉验证自动挑还自动做差分、去趋势、加周期特征。提示AutoTS 不是单一模型而是一个「模型搜索 集成」的框架它的优势来自候选池的多样性而不是某个模型特别强。对电力负荷这种既有强周期又有非线性突变的序列AutoTS 的候选池天然覆盖了线性和非线性两端交叉验证又会按实际误差挑所以它比单独一个 LSTM 或单独一个 ARIMA 更稳。这也是这份代码包在 B 题里精度更高的根本原因不是玄学是模型选择机制在起作用。2.2 代码包结构与各文件职责拿到压缩包先别急着跑先认清文件。这份资源里文件不少按职责可以分成四类文件/目录职责数据清洗.ipynb原始负荷数据清洗输出洗好的数据.csv洗好的数据.csv清洗后的建模输入AutoTS模型.ipynb / AutoTS模型.py第一大问两个小问的主建模脚本第二大问第二小问.py / .ipynb第二大问第二小问建模第二大问*结果.csv各类负荷的最大/最小总有功功率预测结果未来三个月每天.xls / auto未来三个月每天最大(小)值.csv未来三个月逐日预测输出这里要注意代码包里同时存在 .py 和 .ipynb 两种形式内容基本对应。.py 适合命令行批量跑.ipynb 适合在 Notebook 里逐格调试看中间结果。第一次上手建议先用 .ipynb能直观看到每一步的 DataFrame 长什么样确认数据没问题再切 .py 跑全量。2.3 环境依赖与安装AutoTS 对版本比较挑尤其是它依赖的 statsmodels、pmdarima、scikit-learn。常见做法是单独建一个虚拟环境避免和系统里已有的包打架# 建虚拟环境Python 3.8~3.10 兼容性最好 python -m venv autots_env source autots_env/bin/activate # Windows 用 autots_env\Scripts\activate # 核心依赖版本别乱升 pip install autots0.5.* pandas numpy scikit-learn statsmodels pip install pmdarima xlrd openpyxl jupyter参数说明autots 锁在 0.5.x 是因为 0.6 之后部分 API 有调整老代码直接跑可能报参数名错误xlrd 是读 .xls 用的openpyxl 读 .xlsxpmdarima 提供 auto_arimaAutoTS 内部会调用。装完先python -c import autots; print(autots.__version__)确认能导入再往下走。3. 从洗好的数据到 AutoTS 建模完整复现步骤3.1 数据清洗环节要看什么数据清洗.ipynb 干的事不复杂但决定了后面模型的上限。电力负荷原始数据常见的问题是缺失值、异常尖峰采集故障、时间戳不连续、单位不统一。清洗脚本一般会做插值补缺、按 3σ 或 IQR 剔除异常、重采样到统一频率。import pandas as pd import numpy as np # 读原始数据注意 .xls 要指定引擎 df pd.read_excel(原始负荷数据.xls, enginexlrd) # 时间列转 datetime 并设为索引这是时间序列的硬要求 df[时间] pd.to_datetime(df[时间]) df df.set_index(时间).sort_index() # 缺失值用时间插值比均值填充更符合负荷的连续性 df[负荷] df[负荷].interpolate(methodtime) # IQR 剔除异常尖峰 q1, q3 df[负荷].quantile([0.25, 0.75]) iqr q3 - q1 lower, upper q1 - 1.5 * iqr, q3 1.5 * iqr df[负荷] df[负荷].clip(lower, upper) df.to_csv(洗好的数据.csv, encodingutf-8-sig)逻辑说明时间插值利用负荷的连续性比全局均值合理IQR 用 clip 而不是直接删行是为了保持时间索引连续删行会让后面按频率建模出问题。参数上 1.5 倍 IQR 是标准阈值如果数据本身波动极大可以放宽到 3 倍否则会把真实的高峰负荷当异常砍掉。注意清洗后的 csv 一定要检查行数和时间跨度如果插值后出现整段平坦的直线说明原始缺失太多插值已经失真这种段落在建模前要单独标记。3.2 AutoTS 核心建模代码这是整份资源的核心。AutoTS 的用法比想象中简单关键在几个参数模型候选列表、集成方式、预测长度、交叉验证轮数。from autots import AutoTS import pandas as pd # 读清洗后的数据宽表格式索引是时间列是各负荷类型 df pd.read_csv(洗好的数据.csv, index_col0, parse_datesTrue) model AutoTS( forecast_length90, # 未来三个月按天约 90 天 frequencyD, # 日频 ensemblesimple, # 简单集成多个模型加权 model_listdefault, # 默认候选池含 ETS/ARIMA/树模型 max_generations5, # 进化搜索代数越大越慢越准 num_validations2, # 交叉验证轮数 validation_methodbackwards, # 从末尾往前切验证集 n_jobsauto, # 并行核数 ) model model.fit(df) # 输出各候选模型的评分看谁被选中 print(model.results()) # 预测 prediction model.predict() forecast prediction.forecast forecast.to_csv(未来三个月每天.csv, encodingutf-8-sig)逻辑说明forecast_length 设 90 对应赛题「未来三个月每天」frequencyD 告诉框架按日频处理如果数据是小时级要改成 Hensemblesimple 是加权平均比 horizontal 更省内存max_generations 控制搜索深度5 代是精度和耗时的折中赛题环境里再往上加收益递减。model.results() 会打印每个候选模型的 MASE、SMAPE 等指标这是判断模型有没有选对的关键别跳过。参数怎么改如果某类负荷预测误差明显偏大先把 model_list 从 default 换成显式列表比如[ETS, ARIMA, LastValueNaive, RollingRegression]缩小搜索范围再看结果如果数据量小num_validations 降到 1否则验证集切太碎每轮训练样本不够。3.3 多类负荷批量预测与结果落盘B 题第二问涉及普通工业、大工业、非普通工业、商业等多类负荷每类都要出最大和最小总有功功率预测。逐列循环是最直接的做法import os from autots import AutoTS df pd.read_csv(洗好的数据.csv, index_col0, parse_datesTrue) os.makedirs(results, exist_okTrue) for col in df.columns: series df[[col]] # 保持 DataFrame 格式AutoTS 要二维输入 m AutoTS(forecast_length90, frequencyD, ensemblesimple, max_generations3, num_validations1) m m.fit(series) fc m.predict().forecast fc.to_csv(fresults/{col}_预测.csv, encodingutf-8-sig) print(col, done)逻辑说明AutoTS 要求输入是二维 DataFrame所以用df[[col]]而不是df[col]这是新手最容易踩的格式坑。每类负荷单独建模是因为不同负荷的周期结构差异大混在一起建模会互相干扰。max_generations 降到 3 是为了批量跑时控制总耗时如果只跑单列可以调回 5。4. 避坑与排查跑这份代码最容易翻车的五个点4.1 报错 KeyError 或列名对不上现象读 csv 后 fit 直接抛 KeyError或者提示找不到时间列。原因洗好的数据.csv 的索引列在保存时被写成了普通列或者编码不对导致中文列名乱码。解决读的时候显式指定index_col0, parse_datesTrue保存时统一用encodingutf-8-sig避免 Excel 打开乱码。如果列名是中文确认 pandas 读进来后df.columns打印正常。4.2 预测结果全是同一条直线现象forecast 输出每一行数值几乎一样。原因多半是数据里存在大段缺失被插值成常数或者 frequency 设错比如数据是小时级却设了 D框架把序列当成无周期噪声。解决先画一下历史序列确认周期形态检查 frequency 是否和数据实际采样间隔一致如果确实有长缺失段考虑截断或换用能处理缺失的模型。4.3 训练时间过长甚至卡死现象fit 跑几十分钟没动静。原因max_generations 设太大、num_validations 太多、n_jobs 没开并行或者候选池里某个模型在长序列上极慢。解决先把 max_generations 降到 2~3 试跑确认流程通n_jobs 设成 CPU 核数减一必要时用 model_list 显式限定几个快模型排除掉慢的。4.4 不同负荷类型结果差异巨大现象商业负荷预测很准工业负荷误差很大。原因工业负荷受生产排班影响突变多周期不如商业规律AutoTS 默认候选池可能没覆盖到。解决对这类序列单独调 model_list加入对突变敏感的模型或者先做差分去掉趋势再喂给模型。别指望一套参数打天下。4.5 .ipynb 和 .py 结果不一致现象Notebook 里跑出来的结果和命令行跑 .py 不一样。原因Notebook 里可能残留了之前单元格的变量或者随机种子没固定。解决跑 .py 前确认没有依赖 Notebook 内存状态在脚本开头固定np.random.seed(42)AutoTS 内部有随机性固定种子能让结果可复现。5. 进阶技巧让 AutoTS 结果可复现、可对比跑通只是第一步真正要用这份代码做对比实验得解决可复现和可对比两个问题。我一般会在建模前固定随机种子并把每次实验的配置和结果指标一起落盘方便回头对比不同参数的效果。import numpy as np, json, pandas as pd from autots import AutoTS np.random.seed(42) # 固定种子保证同配置结果一致 config {forecast_length: 90, frequency: D, ensemble: simple, max_generations: 5, num_validations: 2, seed: 42} df pd.read_csv(洗好的数据.csv, index_col0, parse_datesTrue) m AutoTS(**{k: v for k, v in config.items() if k ! seed}) m m.fit(df) # 把候选模型评分和配置一起存方便复现对比 results m.results() results.to_csv(model_scores.csv, encodingutf-8-sig) with open(run_config.json, w) as f: json.dump(config, f, ensure_asciiFalse, indent2) # 验证用回测误差判断模型是否真的比基线好 print(m.results().head(10))逻辑说明种子固定后同一份数据同一套参数两次运行结果应当一致这是做对比实验的前提。model_scores.csv 里存的是各候选模型的交叉验证误差看它比只看最终预测值更有信息量——如果最优模型和第二名差距很小说明这份数据本身区分度不高别过度解读精度提升。run_config.json 记录配置下次想复现某个结果直接读这个文件。验证方法上我习惯做两件事一是把 AutoTS 的预测和「朴素法」直接用上周同一天的值对比如果 AutoTS 连朴素法都赢不了说明数据或配置有问题二是把预测区间也画出来AutoTS 的 predict() 会返回 upper/lower forecast区间过宽说明模型对这段序列没把握精度数字好看也不能信。提示赛题类代码包最容易犯的错是「只跑一次就下结论」。AutoTS 的搜索有随机性多跑几次取平均或者固定种子跑结论才站得住。从那以后我每次拿到这类竞赛代码包都强制先固定种子、存配置、跑一遍基线对比再谈精度。希望这份拆解帮到你代码包里的数据清洗和 AutoTS 建模脚本可以直接拿去改重点是把避坑那五条过一遍再跑全量。本文还有配套的精品资源点击获取