基于轻量级梯度提升机(LightGBM)的数据单变量时序预测 Matlab代码

✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：Matlab科研工作室

🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。

🔥 内容介绍

在工业监控、能源调度、金融交易等领域，单变量时序预测是支撑业务决策的核心技术 —— 例如根据某车间设备的 10 分钟级温度数据预测未来 1 小时温度波动，依据城市每日用电量数据规划次日供电方案，或是通过某股票的分钟级收盘价序列判断短期走势。这类场景中，单变量时序数据常呈现 “短期噪声干扰、中期周期波动、长期趋势漂移” 的复杂特征，且对预测的 “实时性、稳定性” 要求极高。

轻量级梯度提升机（LightGBM）作为经典的集成学习算法，凭借 “基于直方图的特征分箱、Leaf-wise 叶子生长策略、类别特征自动编码” 等核心优化，在处理结构化数据时展现出 “训练速度快、内存占用低、泛化能力强” 的优势。将其应用于单变量时序预测，通过合理的 “时序特征工程 + 参数调优”，可在保证预测精度的同时，满足工程场景对实时性的需求，成为单变量时序预测的高效解决方案。

一、LightGBM 与单变量时序预测的适配逻辑

1. 单变量时序数据的核心特性与建模痛点

单变量时序数据仅以 “时间” 为唯一维度，其建模过程面临三大核心挑战：

• 特征维度单一：仅包含 “时间 - 数值” 二元信息，缺乏多变量数据的交叉关联特征，需通过 “时序重构” 人工构造有效特征；

• 动态规律复杂：数据中同时存在 “趋势项（如设备老化导致的温度缓慢上升）、周期项（如每日用电高峰的周期性出现）、噪声项（如传感器波动导致的数值跳变）”，传统线性模型难以同时捕捉；

• 实时性要求高：工程场景中（如设备故障预警）需在秒级完成预测，模型训练与推理耗时需严格控制，复杂深度学习模型（如 TCN、LSTM）常因计算成本过高难以落地。

2. LightGBM 的适配优势：效率与精度的平衡

相比传统时序模型（如 ARIMA、Prophet）与深度学习模型，LightGBM 在单变量时序预测中展现出三大核心优势：

• 高效处理时序特征：通过 “直方图分箱” 将连续的时序数值特征离散化为有限区间，训练速度比传统 GBDT 快 10-100 倍，内存占用降低 70% 以上，可快速处理百万级时间步的单变量数据；

• 强非线性拟合能力：基于集成学习的梯度提升框架，能通过多棵决策树的协同学习，精准捕捉单变量时序的 “趋势 - 周期 - 噪声” 叠加规律，预测精度优于 ARIMA 等线性模型；

• 工程化落地友好：支持增量训练（对新增时序数据无需重新训练全量模型）、特征重要性分析（可识别关键时序特征），且部署成本低（无需复杂的深度学习框架依赖），适合工业级场景的大规模应用。

二、基于 LightGBM 的单变量时序预测完整流程

以 “某工厂车间设备的 10 分钟级温度单变量时序预测” 为例（数据：30 天共 4320 个时间步，输入为历史温度序列，输出为未来 1 个时间步的温度值），详细拆解从数据预处理到模型部署的全流程：

1. 步骤 1：单变量时序数据预处理与特征工程

LightGBM 本质是处理结构化数据的算法，需将单变量时序数据转化为 “特征 - 标签” 形式的结构化样本，核心是通过 “时序重构” 构造有效特征：

（1）数据清洗：消除噪声与异常值

• 噪声抑制：采用 “滑动平均滤波”（窗口大小 = 5，即 5 个 10 分钟数据的平均）平滑高频噪声，保留温度的趋势与周期特征；

• 异常值处理：通过 “3σ 原则” 检测异常值（如设备故障导致的温度骤升），对异常值采用 “线性插值” 替换（用异常值前后各 3 个时间步的温度值拟合线性趋势，填充异常位置），确保数据连续性。

（2）时序重构：构造特征与标签

核心思路是 “用过去 N 个时间步的数值预测未来 M 个时间步的数值”，需确定两个关键参数：

• 时间窗口（Lookback）：用于构造特征的历史时间步数量，需结合数据周期特性设置。例如设备温度存在 “1 小时周期”（6 个 10 分钟时间步），则设 Lookback=12（覆盖 2 个周期，确保捕捉周期规律）；

• 预测步长（Forecast）：需预测的未来时间步数量，工程场景中常需 “短期预测”（如 Forecast=1，预测下 1 个 10 分钟温度）。

基于上述参数，将单变量时序数据重构为结构化样本：

• 特征构造：对每个时间步 t，提取 t-12 至 t-1 共 12 个历史时间步的温度值，作为样本特征（如特征列命名为 temp_t-12, temp_t-11, ..., temp_t-1）；

• 标签定义：以时间步 t 的温度值作为样本标签（列名 temp_t）；

• 时间特征补充：为增强模型对时间规律的捕捉，额外构造时间衍生特征，如：

• 周期性特征：小时数（0-23）、分钟数（0-59）、是否为生产高峰时段（如 9:00-18:00 设为 1，其余为 0）；

• 趋势特征：过去 12 个时间步的温度均值、最大值、最小值（反映短期趋势）。

⛳️ 运行结果

📣 部分代码

            % 清空命令行

%%  导入数据（时间序列的单列数据）

result = xlsread('数据集.xlsx');

%%  数据分析

num_samples = length(result);  % 样本个数 

kim = 15;                      % 延时步长（kim个历史数据作为自变量）

zim =  1;                      % 跨zim个时间点进行预测

%%  划分数据集

for i = 1: num_samples - kim - zim + 1

    res(i, :) = [reshape(result(i: i + kim - 1), 1, kim), result(i + kim + zim - 1)];

end

%%  划分训练集和测试集

temp = 1: 1: 922;

P_train = res(temp(1: 700), 1: 15)';

T_train = res(temp(1: 700), 16)';

M = size(P_train, 2);

P_test = res(temp(701: end), 1: 15)';

T_test = res(temp(701: end), 16)';

N = size(P_test, 2);

%%  数据归一化

[P_train, ps_input] = mapminmax(P_train, 0, 1);

P_test = mapminmax('apply', P_test, ps_input);

🔗 参考文献

🎈 部分理论引用网络文献，若有侵权联系博主删除

 👇 关注我领取海量matlab电子书和数学建模资料 

🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：

🌟 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位、冷链、时间窗、多车场等、选址优化、港口岸桥调度优化、交通阻抗、重分配、停机位分配、机场航班调度、通信上传下载分配优化

🌟 机器学习和深度学习时序、回归、分类、聚类和降维

2.1 bp时序、回归预测和分类

2.2 ENS声神经网络时序、回归预测和分类

2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类

2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类

2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类

2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类

2.7 ELMAN递归神经网络时序、回归\预测和分类

2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类

2.9 RBF径向基神经网络时序、回归预测和分类

2.10 DBN深度置信网络时序、回归预测和分类

2.11 FNN模糊神经网络时序、回归预测

2.12 RF随机森林时序、回归预测和分类

2.13 BLS宽度学习时序、回归预测和分类

2.14 PNN脉冲神经网络分类

2.15 模糊小波神经网络预测和分类

2.16 时序、回归预测和分类

2.17 时序、回归预测预测和分类

2.18 XGBOOST集成学习时序、回归预测预测和分类

2.19 Transform各类组合时序、回归预测预测和分类

方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

🌟图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

🌟 路径规划方面

旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻、公交车时间调度、水库调度优化、多式联运优化

🌟 无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划、

🌟 通信方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配

🌟 信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测

🌟电力系统方面

微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电、电/冷/热负荷预测、电力设备故障诊断、电池管理系统（BMS）SOC/SOH估算（粒子滤波/卡尔曼滤波）、 多目标优化在电力系统调度中的应用、光伏MPPT控制算法改进（扰动观察法/电导增量法）、电动汽车充放电优化、微电网日前日内优化、储能优化、家庭用电优化、供应链优化

🌟 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀

🌟 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别

🌟 车间调度

零等待流水车间调度问题NWFSP 、 置换流水车间调度问题PFSP、 混合流水车间调度问题HFSP 、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP

👇

5 往期回顾扫扫下方二维码