NeuralProphet之一：安装与使用
时间序列论文: NeuralProphet: Explainable Forecasting at Scale
NeuralProphet之一：安装与使用
NeuralProphet之二：季节性(Seasonality)
NeuralProphet之三：回归(Regressors)
NeuralProphet之四：事件(Events)
NeuralProphet之五：多时序预测模型
NeuralProphet之六：多元时间序列预测
NeuralProphet之七：NeuralProphet + Optuna
NeuralProphet之八：NeuralProphet部署
NeuralProphet官方示例一：建筑物用电量预测(Building load forecasting)
NeuralProphet官方示例二：日照辐射强度预测(Forecasting hourly solar irradiance)
NeuralProphet之一：安装与使用
论文PDF：NeuralProphet: Explainable Forecasting at Scale
文档地址：https://neuralprophet.com/html/contents.html
数据地址：https://github.com/ourownstory/neuralprophet-data
示例地址：https://github.com/ourownstory/neural_prophet/tree/main/tutorials
1 概述
NeuralProphet模型集成了Prophet的所有优点，不仅具有不错的可解释性，还有优于Prophet的预测性能。
- 使用PyTorch作为后端进行优化的梯度下降法。
- 使用AR-Net对时间序列的自相关进行建模。
- 使用seepearate前馈神经网络对滞后回归者进行建模。
- 可配置的FFNNs非线性深层。
- 可调整到特定的预测范围（大于1）。
- 自定义损失和指标。
2 安装
pip install neuralprophet
3 使用
导入包：
from neuralprophet import NeuralProphet
调用：
m = NeuralProphet()
metrics = m.fit(df)
forecast = m.predict(df)
可视化结果：
fig_forecast = m.plot(forecast)
fig_components = m.plot_components(forecast)
fig_model = m.plot_parameters()
预测：
m = NeuralProphet().fit(df, freq="D")
df_future = m.make_future_dataframe(df, periods=30)
forecast = m.predict(df_future)
fig_forecast = m.plot(forecast)
4 Hyperparameters
| Parameter | Default Value | 说明 | 备注 |
|---|---|---|---|
| growth | linear | ||
| changepoints | None | 手动设置改变点 | |
| n_changepoints | 5 | 控制趋势灵活度 | |
| changepoints_range | 0.8 | 默认值0.8，表示后20%的训练数据无changepoints | |
| trend_reg | 0 | 趋势正则项 | |
| trend_reg_threshold | False | ||
| yearly_seasonality | auto | 默认6 | |
| weekly_seasonality | auto | 默认 4 | |
| daily_seasonality | auto | 默认6 | |
| seasonality_mode | additive | additive，multiplicative | |
| seasonality_reg | 0 | 值越大正则约束越大 | 0.1-1或者1-100 |
| n_forecasts | 1 | 预测范围，1意味着将来预测一步 | |
| n_lags | 0 | 定义是否使用AR-Net，n_lags决定AR-Net回看步数，建议取值大于n_forecasts | |
| num_hidden_layers | 0 | 定义FFNNs的隐藏层数，0意味着只有一个隐藏层 | 0，1，2 |
| d_hidden | None | 隐藏层的单元数，如果未指定，默认为n_lags + n_forecasts | n_lags 和 n_forecasts 之间 |
| ar_sparsity | None | 0完全稀疏，1无正则约束 | 0-1 |
| learning_rate | None | 如果未指定，自动调整 | |
| epochs | None | 如果未指定，根据数据大小设定 | |
| batch_size | None | ||
| loss_func | Huber | 如果未指定，根据数据大小设定 | Huber， MSE，torch.nn.modules.loss |
| optimizer | AdamW | AdamW，SDG | |
| train_speed | None | ||
| normalize | auto | min-max normalization | |
| impute_missing | True | 惩罚缺失值 | |
| collect_metrics | True | 默认计算mae 和 rmse |
本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！