机器学习时间特征处理：循环编码（Cyclical Encoding）与其在预测模型中的应用

做过电力负荷预测或者交通预测朋友，大概率都处理过时间特征。这里最直接的做法通常是把时间（比如分钟或小时）直接扔进模型里。这看起来逻辑自洽，但存在这一个大坑，就是“午夜悖论”。

比如说你的模型面对两个时间点：23:59（一天的第1439分钟）和 00:01（一天的第1分钟）。在我们的认知里，这俩只差两分钟，但在模型的逻辑里1439 和 1 可是不一样的。大多数机器学习算法（线性回归、KNN、SVM 甚至神经网络）在处理数值时，默认遵循线性逻辑：数值越大，代表的量级越高。它们理解不了“时间是循环的”这个概念。对它们来说午夜不是终点回到起点的闭环，而是一个断崖。

这就是为什么你加了时间特征，模型却在日期变更线附近表现拉胯的根本原因。