时序数据介绍

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

# 1. 模拟时序数据
print("=== 1. 模拟时序数据 ===")
np.random.seed(42)

# 生成24小时的电力负荷数据
dates = pd.date_range('2024-01-01', periods=24, freq='h')
power_load = []

for hour in range(24):
    # 模拟电力负荷（有规律）
    if 0 <= hour < 6:  # 凌晨低谷
        load = np.random.normal(500, 50)
    elif 6 <= hour < 9:  # 早晨上升
        load = np.random.normal(800, 80)
    elif 9 <= hour < 17:  # 白天平稳
        load = np.random.normal(1000, 100)
    elif 17 <= hour < 21:  # 晚高峰
        load = np.random.normal(1200, 120)
    else:  # 夜晚下降
        load = np.random.normal(700, 70)
    power_load.append(max(100, load))

data = pd.DataFrame({
    'time': dates,
    'power_load': power_load
})

print(f"数据形状: {data.shape}")
print(data.head(10))

# 2. 时序数据特点
print("\n=== 2. 时序数据特点 ===")
print(f"时间范围: {data['time'].min()} ~ {data['time'].max()}")
print(f"电力负荷范围: {data['power_load'].min():.2f} ~ {data['power_load'].max():.2f}")
print(f"平均负荷: {data['power_load'].mean():.2f}")

# 3. 可视化时序数据
print("\n=== 3. 可视化时序数据 ===")
plt.figure(figsize=(12, 6))
plt.plot(data['time'], data['power_load'], 'b-o', linewidth=2, markersize=6)
plt.xlabel('时间')
plt.ylabel('电力负荷')
plt.title('24小时电力负荷时序数据')
plt.grid(True, alpha=0.3)
plt.xticks(rotation=45)
plt.tight_layout()
plt.savefig('time_series_data.png', dpi=100)
print("时序数据图已保存")

# 4. 时序数据特征
print("\n=== 4. 时序数据特征 ===")

def extract_time_features(data):
    """提取时间特征"""
    data = data.copy()
    data['hour'] = data['time'].dt.hour
    data['day'] = data['time'].dt.day
    data['month'] = data['time'].dt.month
    data['dayofweek'] = data['time'].dt.dayofweek
    data['is_weekend'] = data['dayofweek'].isin([5, 6]).astype(int)
    
    return data

data_with_features = extract_time_features(data)
print(data_with_features.head())

# 5. 生成多天数据
print("\n=== 5. 生成多天数据 ===")
np.random.seed(42)

# 生成7天数据
dates_7days = pd.date_range('2024-01-01', periods=7*24, freq='h')
power_load_7days = []

for i, date in enumerate(dates_7days):
    hour = date.hour
    dayofweek = date.dayofweek
    
    # 基础负荷
    if 0 <= hour < 6:
        base_load = 500
    elif 6 <= hour < 9:
        base_load = 800
    elif 9 <= hour < 17:
        base_load = 1000
    elif 17 <= hour < 21:
        base_load = 1200
    else:
        base_load = 700
    
    # 周末调整
    if dayofweek >= 5:  # 周末
        base_load *= 0.8
    
    # 添加噪声
    load = base_load + np.random.normal(0, 50)
    power_load_7days.append(max(100, load))

data_7days = pd.DataFrame({
    'time': dates_7days,
    'power_load': power_load_7days
})

print(f"7天数据形状: {data_7days.shape}")

# 可视化7天数据
plt.figure(figsize=(14, 6))
plt.plot(data_7days['time'], data_7days['power_load'], 'b-', linewidth=1)
plt.xlabel('时间')
plt.ylabel('电力负荷')
plt.title('7天电力负荷时序数据')
plt.grid(True, alpha=0.3)
plt.xticks(rotation=45)
plt.tight_layout()
plt.savefig('time_series_7days.png', dpi=100)
print("7天数据图已保存")

# 6. 时序预测思路
print("\n=== 6. 时序预测思路 ===")
print("""
时序预测思路:
1. 收集历史数据（前因）
2. 特征工程（生成更多字段）
3. 模型训练
4. 预测未来

特点:
- 时序数据是一维的，只有时间
- 有方向：基于历史预测未来
- 前因知道得越多，预测越准
""")

# 7. 数据字段说明
print("\n=== 7. 数据字段说明 ===")
print("""
原始数据字段:
- time: 时间
- power_load: 电力负荷

特征工程生成字段:
- hour: 小时
- day: 日
- month: 月
- dayofweek: 星期几
- is_weekend: 是否周末
""")

# 8. 完整流程
def time_series_intro():
    """时序数据介绍完整流程"""
    print("=" * 50)
    print("时序数据介绍")
    print("=" * 50)
    
    print("\n1. 案例背景")
    print("   南方电网电力负荷预测")
    print("   基于历史用电量预测未来用电量")
    
    print("\n2. 社会价值")
    print("   精确预测，节约资源")
    print("   避免发电过剩浪费")
    
    print("\n3. 时序数据特点")
    print("   一维的，只有时间")
    print("   有方向：基于历史预测未来")
    
    print("\n4. 数据字段")
    print("   time: 时间")
    print("   power_load: 电力负荷")
    
    print("\n" + "=" * 50)
    print("介绍完成!")
    print("=" * 50)

time_series_intro()