企业官网建设流程全解析

最近有个做设备振动数据预测的朋友问我，说想用机器学习做时间序列预测，但一上来就整LSTM、Transformer这些，数据量和算力都不够，问我有没有简单点的起步方案。我第一个推荐的，就是线性回归（Linear Regression，简称LR）——别看它老，用来做时间序列预测，只要特征构造得当，效果稳、速度快、可解释性强，尤其适合给后续上复杂模型做一个基准线。这篇文章就完整拆解一下：为什么LR能预测时间序列、特征怎么构造、MATLAB代码怎么写、有哪些坑要避开，以及几个我在实测中踩过、也帮别人排过的典型问题。

先给我的个人结论：线性回归做时间序列预测，本质是“把过去的时间点变成特征，把未来的时间点变成标签，然后学习两者之间的线性关系”。它不是万能的，但在短期预测、趋势平稳型数据、异常检测场景下，性价比极高。

1. 内容整体设计与思路拆解

1.1 为什么是线性回归，而不是一上来就上LSTM

很多初学者有个误区，以为时间序列预测就必须用循环神经网络（RNN、LSTM）或者Transformer。实际上，2020年前的大量工业场景预测任务，用的还是线性模型和统计模型，原因很现实：

• 数据量小：LSTM需要大量序列数据才能收敛稳定，你手里可能就几百个点，硬上深度学习基本就是过拟合。
• 算力有限：普通办公电脑跑LSTM，虽然也能跑，但调参周期长，试错成本高。
• 可解释性要求高：在很多生产场景里，领导或者业务方会问“为什么预测值是这么多”，线性回归的系数可以直接解释成“每个历史时刻的影响权重”，这是黑盒模型给不了的。
• 基准线价值：做任何预测项目，第一步都是建立一个简单可复现的基线模型。LR做出来的精度，就是后续所有复杂模型的“及格线”。如果LSTM连LR都打不过，那它在这个问题上就不值得上线。

我用过几个月LSTM处理轴承温度预测，效果确实比LR好一点，但也就好5%左右，耗时却是LR的几十倍。后来我把LR模型换成带滞后特征的线性回归，配合简单调参，性能差距缩小到了2%以内。这就是我说的“性价比”。

1.2 滑动窗口：把时间序列“翻译”成回归问题

时间序列本身是一堆按时间排列的点：x1, x2, x3 ... xn。线性回归不会“看”时间，它只处理“特征->标签”的映射。所以第一步就是做一个转换，叫滑动窗口（Sliding Window）法。

假设我们有100天的销售量数据，想用前3天预测第4天，那么：

• 样本1：特征=[x1, x2, x3]，标签=x4
• 样本2：特征=[x2, x3, x4]，标签=x5
• 样本3：特征=[x3, x4, x5]，标签=x6
• ...
• 样本97：特征=[x97, x98, x99]，标签=x100

这样，100个时间点就能构造出97个训练样本。窗口大小就是“用几天预测下一天”。这个值没有固定标准，我一般先用自相关函数（ACF）图，看哪个滞后阶数的相关性最高，然后定为窗口长度。实操中，窗口取3~10比较常见，取太大容易引入噪声，取太小会丢失长期趋势。

1.3 除了历史值，还要不要加其他特征

这里有个关键点：LR对特征非常敏感。只喂滞后值是最基础的方案，但如果你想进一步提升效果，可以考虑加入以下特征：

• 时间索引特征：比如第几个采样点、星期几、月份、是否为节假日。线性回归能学到一个线性趋势，时间索引可以帮助捕捉“整体上升/下降”的趋势。
• 差分序列：如果原序列不平稳，做一个一阶差分（x_t - x_{t-1}），用差分后的序列做预测，再逆变换回来，效果通常比直接预测原值更稳。
• 滚动统计特征：过去N天的均值、标准差、最大值、最小值。这些特征能帮模型捕捉波动性，在设备监测类数据里特别有用。
• 外部变量：比如温度、湿度、促销活动等。LR对这种“外生变量”的支持非常直接，这比LSTM处理外生变量要简单很多。

我在一次用电负荷预测里，只加了“星期几”和“是否工作日”两个特征，MAPE（平均绝对百分比误差）就下降了将近三成。所以永远不要闷头只喂原始数据，特征工程的价值在LR身上体现得最淋漓尽致。

2. 核心细节解析与实操要点

2.1 数据预处理：先把“脏东西”清掉

时间序列数据最常见的三个脏问题：缺失值、异常值、量纲不统一。

缺失值的处理，我推荐用前向填充（forward fill），也就是用上一个有效值补上。不要用全局均值填充，因为时间序列有顺序性，拿未来的均值填过去，会泄漏未来信息，导致模型表现虚高。如果你用插值法，比如线性插值或样条插值，也可以，但要控制插值窗口，避免过长。

异常值要分两种情况：真异常（传感器故障、录入错误）和数据本身的真实波动。前者可以剔除或用中位数替换，后者千万别动，否则等于人为改写了规律。我见过一个案例，有人把“双十一”当异常值剔掉了，结果模型把大促的冲量全部归为噪声，预测彻底失真。

量纲问题主要是针对多特征场景。如果特征里有“温度”这种几十量级的，也有“销量”这种几千量级的，LR的损失函数会被大数值特征主导，梯度更新的方向基本被它带偏。标准化手段很简单：用z-score（减去均值除以标准差）把每个特征拉到同一量级，这才是后续结果可复现的前提。

2.2 MATLAB的代码结构与核心函数

先给出一份标准可跑的MATLAB代码。这套代码的设计思路是：加载数据 -> 构造滑动窗口样本 -> 划分训练集测试集 -> 训练回归模型 -> 预测 -> 评估指标。

% ==================== LR时间序列预测 基础示例 ==================== % 适用数据格式：data为列向量，每行一个时间点的观测值 %% 1. 加载数据（示例：生成一个带趋势和噪声的序列） data = sin(0.1*(1:200))' + 0.01*(1:200)' + 0.2*randn(200,1); N = length(data); window = 5; % 滑动窗口大小：用前5个点预测第6个点 %% 2. 构造特征矩阵X和标签向量Y X = []; Y = []; for i = 1:N-window X = [X; data(i:i+window-1)']; Y = [Y; data(i+window)]; end %% 3. 划分训练集和测试集（保持时间顺序，禁止乱序打散） train_ratio = 0.8; split = floor(size(X,1) * train_ratio); Xtrain = X(1:split, :); Ytrain = Y(1:split, :); Xtest = X(split+1:end, :); Ytest = Y(split+1:end, :); %% 4. 线性回归训练（fitlm自带统计工具箱；没有的话用regress替代） mdl = fitlm(Xtrain, Ytrain); %% 5. 测试集预测与误差评估 Ypred = predict(mdl, Xtest); MAE = mean(abs(Ypred - Ytest)); RMSE = sqrt(mean((Ypred - Ytest).^2)); MAPE = mean(abs((Ytest - Ypred)./Ytest)) * 100; fprintf('MAE: %.4f\nRMSE: %.4f\nMAPE: %.2f%%\n', MAE, RMSE, MAPE); %% 6. 可视化 figure; plot(Ytest, 'b-'); hold on; plot(Ypred, 'r--'); legend('真实值', '预测值'); title('LR时间序列预测结果');

这里要注意几个关键点：

• train_ratio切分时，不能随机抽样，必须按时间顺序前80%训练、后20%测试。一旦打乱，就会用到未来数据训练，测试结果毫无意义。
• fitlm是统计工具箱的函数，如果没有统计工具箱，可以用regress函数，用法类似，只是返回参数结构不同。
• 预测结果默认是连续数值，如果你的业务场景是分类（比如上涨/下跌），需要在输出后加阈值转换，LR回归本身输出的是连续值。

2.3 逆差分：预测值如何还原成原始尺度

前面提到可以用差分序列建模，如果用了差分，预测出来的值就是一阶差分值，也就是“下一时刻相对当前时刻的变化量”。还原公式很简单：

Y_pred_original(t+1) = Y_pred_diff(t+1) + Y_true(t)

注意，这里要用真实值去加，而不是用预测值去加。如果用预测值累加，误差会逐点累积，一段时间的预测会完全漂移。这个细节我在项目里踩过，第一次做逆差分时用了预测值累加，预测了10个点，误差涨了5倍。后来改为每算一步，都用上一步的真实观测作为基准，才把误差压制住。

2.4 多步预测的策略

上面的代码是单步预测（用5个点预测下1个点）。实际业务里经常要预测未来7天、未来30天，那就得多步预测。多步预测有三种常见策略：

• Recursive策略：预测出第t+1步后，把预测值当真实值拼进输入窗口，继续预测t+2。优点是简单，缺点是误差逐点累积。
• Direct策略：训练7个模型，分别预测t+1、t+2...t+7。缺点是要维护多个模型，优点是每步的误差独立。
• Direct-Recursive混合：前几步用Direct，后几步用Recursive。我常用这种，前3步用Direct保证短期精度，后面用Recursive降低成本。

如果你的场景预测时域不跨太长，我更推荐Direct策略，尤其是训练数据充足的情况下。误差独立性在多步预测里的价值非常大。

3. 实操过程与核心环节实现

3.1 一次用电负荷预测的完整复盘

去年有一个小项目，要我预测某楼宇的每日用电峰值，数据大约360个点。我先看了原始序列的ACF图，前7个滞后项的相关系数都很高，说明用前7天预测第8天是合理的，于是窗口定7。

特征方面，我加了三个额外特征：星期几（编码为1~7）、当月第几天、节假日标志（0/1）。用电数据里有明显的周周期性，不加日期特征的时候，误差一直在16%左右浮动，加了之后MAPE直接降到9.3%。

训练集我取前300天，测试集取后60天。注意这里我没有用随机划分，因为时间序列预测的核心逻辑是“用已知预测未知”，如果随机抽，模型见过未来的信息，测试指标再漂亮也是自欺欺人。

数值结果如下：

这个表很能说明问题：LR模型的天花板不在算法本身，而在特征构造。同样的模型，特征改好了，误差能掉四十个百分点。

3.2 MATLAB中自定义特征如何嵌入

上面这张表的特征，如果不用excel预加工，直接在MATLAB里做也可以。时间特征可以这样生成：

% data是原始用电序列，dates是对应的日期向量（datetime类型） weekday_feature = weekday(dates); % 得到1-7的值 monthday_feature = day(dates); % 当月第几天 holiday_feature = zeros(size(dates); % 需要手动标记节假日，1为节假日 %% 合并成特征矩阵 % 注意：特征要和滑动窗口的样本对齐，取每行样本对应日期的特征 X_feat = [weekday_feature(window+1:end), ... monthday_feature(window+1:end), ... holiday_feature(window+1:end)]; X_train_feat = [X_train_origin, X_feat(1:split, :)]; X_test_feat = [X_test_origin, X_feat(split+1:end, :)];

这里有一点要特别提醒：额外特征的对齐位置必须是“预测目标日期”的特征，不是“窗口第1天”的特征。很多人在这里弄错，把输入窗口起始日的星期几当成标签日的星期几喂给模型，误差虽然也能跑出来，但逻辑上是不对的，实际部署时一换数据就露馅。

3.3 模型评估的指标选择与结果解读

线性回归做时间序列预测，常用指标就是MAE、RMSE、MAPE三个。它们各有偏向：

• MAE没有平方项，不容易被个别极端值放大，适合稳定观测场景。
• RMSE因为平方的存在，对离群点非常敏感，如果预测里出现一两个极端偏差，RMSE会急剧上升，这正好帮你发现模型在某些片段完全失效。
• MAPE是百分比指标，适合和业务方沟通。但注意，如果真实值里有接近0的数值，MAPE会被除零导致的异常大值污染。遇到这种数据，我一般改用SMAPE或者直接放弃MAPE。

还有一点实战心得：好模型不只是误差低，还要误差稳定。我习惯看误差序列的滚动均值图——如果误差在后半段急剧升高，说明模型在测试集上存在衰减，多半是数据快超出训练分布了。这时你就算调参也没用，需要用模型更新策略或者重训练策略来适应新分布。

3.4 把模型部署成函数：易复用的小技巧

如果你要用这个模型预测多组数据，每次都把训练脚本复制一遍很蠢。建议把核心逻辑封装成函数，输入一行数据就输出预测结果。

function [Ypred, mdl] = lr_forecast(data, window, horizon) % 简化版：单步预测为主，horizon未实现递归 X = []; Y = []; N = length(data); for i = 1:N-window X = [X; data(i:i+window-1)']; Y = [Y; data(i+window)]; end mdl = fitlm(X, Y); Ypred = predict(mdl, X(end-window+1:end, :)); % 注意：预测时需要最后window个点 end

调用方式是：[forecast_val, model] = lr_forecast(load_data, 7, 1)。这种封装方式最大的好处是：后续换数据、调窗口，只需改参数，不用动主程序。

提醒：函数里predict的输入是X(end-window+1:end, :)，这表示用最后window个观测样本作为特征。所以长度一定是window，不是window-1或者别的。

4. 常见问题与排查技巧实录

4.1 为什么我的预测曲线是一条直线

这个问题我回答过不下十次。现象是：预测的后半段曲线平得像用尺子画的，几乎没有跟随真实波动。

出现这种情况，通常有两个原因：

1. 输入特征只有窗口内的滞后值，而窗口内的这些值在测试阶段已经用预测值填充，预测值一旦稳定，后续的输入也是接近稳定的，输出自然趋近直线。
2. 特征中时间索引权重太大，模型学到的主要是“趋势”，忽略了局部波动。

解决办法是检查特征构成，看回归系数。如果时间索引的系数远大于滞后值系数，说明趋势项主导了预测，可以尝试去掉时间索引，或者把时间索引排序后做离散化分桶。

4.2 训练集误差很低，测试集误差炸裂

典型的过拟合。线性回归虽然模型简单，但特征多了以后一样会过拟合，尤其是特征之间存在多重共线性时。比如你的窗口是10，历史10个点的数据通常高度自相关，特征之间的相关性很强。

排查方法：看训练集和测试集误差差距，如果测试是训练的3倍以上，基本就是过拟合。解法有三个：

• 加正则化：用ridge回归或者lasso，在MATLAB里对应ridge和lasso函数，比fitlm多一个正则化参数。
• 降窗口尺寸：把window从10降到5，减少特征维度。
• 去掉高相关特征：先用corrcoef计算特征相关系数，把相关系数超过0.9的特征删掉一个。

代码层面，用lasso只需要把fitlm替换掉，其他流程不变。

[B, FitInfo] = lasso(Xtrain, Ytrain, 'CV', 10); idx = FitInfo.Index1SE; % 最精简的模型 Ypred = Xtest * B(:,idx) + FitInfo.Intercept(idx);

4.3 真实值里有跃变，模型完全跟不上

这类场景常见于“促销日”“服务器故障日”“突发流量日”。模型学的历史正常规律，遇到异常跳变，自然跟不上。

我处理这类问题的思路是分层建模：先把数据按“正常日”和“事件日”分组，分别训练两个LR模型。预测时先用一个轻量分类器判断明天是不是事件日，再走对应的预测模型。虽然维护成本高了一点，但精度提升是压倒性的。我在广告点击量预测里，分层后RMSE下降了22%。

如果不想维护两个模型，也可以在特征里加“事件标识符”，把事件日当特征喂进去，让模型自己学权重。不过线性模型对这种0-1特征的处理比较粗糙，如果事件类型很多，还是分层更干净。

4.4 数据量太少怎么办

如果只有30~50个点，训练LR会很不稳定。一个相对靠谱的做法是使用简单移动平均（SMA）作为基准，然后看LR是否显著优于它。如果差异不大，就用SMA，因为它的参数更少，过拟合风险更低。

另一个思路是使用“滚动交叉验证”：不划分一次训练/测试，而是从第window+1个点开始，逐步向前滚动训练，每次只预测下一步，最后把所有测试预测汇总。这种方法的优点是把少量数据用到极致。我写过一个快速实现：

preds = zeros(N-window-train_len, 1); for t = train_len+1 : N-window mdl_tmp = fitlm(X(1:t, :), Y(1:t)); preds(t - train_len) = predict(mdl_tmp, X(t+1, :)); end

对比一次性划分，滚动交叉验证更接近真实业务里“每天用新数据重训练模型”的节奏，误差也更真实，不容易乐观。

4.5 MATLAB运行报错：fitlm输入维度不一致

新手最常见的报错就是特征矩阵和标签向量的行数对不上。检查三处：

• 构造X和Y时的for循环边界，i到N-window，说明X有N-window行，Y也有N-window行，如果多了一行少了一行，基本就是边界写错。
• 额外特征合并的时候，X_feat行数必须等于X行数，别把原始数据的行数当成特征矩阵的行数。
• predict的输入，必须是至少一个样本的特征向量，列数必须和训练时X的列数完全一致。

4.6 常见问题速查表

为了方便以后查阅，我整理了一张速查表：

这张表我建议打印出来贴在工位上。做时间序列预测，日常遇到的80%问题都逃不出上面这几类，每一条背后都是我实际踩过的坑和对应的有效解法。

最后再分享一段我的真实体会

做了几年时间序列项目，我最深的感受是：模型复杂度永远应该和可用数据量、可解释需求、业务容忍度匹配。线性回归做时间序列预测，精度上不是天花板，但它稳定、透明、迭代快，永远是项目启动阶段应该先做的第一个模型。不少论文里的新方法，本质上也是在LR的框架上叠了很多模块，底层的可解释逻辑并没有变。

如果你正准备用MATLAB实现线性回归时间序列预测，建议从一段没有额外特征的滑动窗口代码跑通，再逐步加入日期特征、差分、正则化。不要一上来就追求把所有技巧叠上去，那只会让你分不清哪个调整起了作用。先复现，再改进，最后封装成函数，这才是能把模型真正用起来的路径。