什么是时间序列预测中的平均绝对误差 (MAE)？ 平均绝对误差 (MAE) 是一种用于衡量时间序列预测中预测值和实际值之间误差平均幅度的指标。 它计算每个预测值与相应观察值之间的绝对差，然后对这些差值进行平均。 与平方误差的指标（例如，均方误差）不同，MAE 对所有误差同等对待，使其直观且对异常值具有抵抗力。 例如，如果模型预测每日销售额，MAE 会告诉您预测值与实际销售额的平均偏差是多少。
计算和解释 要计算 MAE，取每个预测误差的绝对值（预测值减去实际值），将这些绝对误差相加，然后除以观测值的数量。 在数学上，MAE = (1/n) * Σ|实际ₜ - 预测ₜ|，其中 n 是数据点的数量。 假设您预测三天的温度：实际值为 [15°C, 20°C, 25°C]，预测值为 [16°C, 18°C, 23°C]。 绝对误差为 [1, 2, 2]，因此 MAE = (1+2+2)/3 ≈ 1.67°C。 这意味着，平均而言，预测偏差约为 1.67°C。 MAE 的简单性使其易于解释——例如，零售开发人员可能会使用它来量化模型在预测每周库存需求中的平均误差。
何时使用 MAE 以及注意事项 当您想要一个直接的平均误差幅度测量，而不过分强调大误差时，MAE 是理想的。 例如，在能源负荷预测中，如果一家公用事业公司同样关心小和大预测误差，MAE 可以提供清晰的性能快照。 但是，MAE 不会指示误差方向（过度预测或欠预测），也不会严重惩罚大的偏差，这在洪水预测等场景中可能至关重要。 开发人员通常将 MAE 与其他指标（例如，RMSE）配对，以获得更全面的了解。 在优化模型时，最小化 MAE 与减少平均误差相一致，但由于绝对值函数在零处不可导，因此可能需要稳健的优化技术。 在实践中，Python 的 scikit-learn 等库提供了内置的 MAE 函数，使开发人员能够在模型评估期间有效地计算它。