neural_prophet

Bitte beachten Sie, dass sich das Projekt noch in der Beta-Phase befindet. Bitte melden Sie alle auftretenden Probleme oder Vorschläge, die Sie haben. Wir werden unser Bestes tun, um diese schnell zu beheben. Beiträge sind herzlich willkommen!

NeuralProphet: Menschenzentrierte Prognose

NeuralProphet ist ein leicht zu erlernendes Framework für interpretierbare Zeitreihenvorhersagen. NeuralProphet basiert auf PyTorch und kombiniert neuronale Netze und traditionelle Zeitreihenalgorithmen, inspiriert von Facebook Prophet und AR-Net.

• Mit wenigen Codezeilen können Sie Ihre eigenen Prognosemodelle definieren, anpassen, visualisieren und auswerten.
• Es ist für die iterative Human-in-the-Loop-Modellbildung konzipiert. Das bedeutet, dass Sie schnell ein erstes Modell erstellen, die Ergebnisse interpretieren, verbessern und wiederholen können. Aufgrund des Fokus auf Interpretierbarkeit und Anpassungsfähigkeit ist NeuralProphet möglicherweise nicht das genaueste Standardmodell. Zögern Sie also nicht, Anpassungen vorzunehmen und zu wiederholen, bis Ihnen die Ergebnisse gefallen.
• NeuralProphet eignet sich am besten für Zeitreihendaten mit höherer Häufigkeit (untertäglich) und längerer Dauer (mindestens zwei volle Zeiträume/Jahre).

Dokumentation

Die Dokumentationsseite ist möglicherweise nicht ganz aktuell. Docstrings sollten zuverlässig sein. Bitte ziehen Sie diese im Zweifelsfall zu Rate. Wir arbeiten an einer verbesserten Dokumentation. Wir freuen uns über jede Hilfe zur Verbesserung und Aktualisierung der Dokumente.

Eine visuelle Einführung in NeuralProphet finden Sie in dieser Präsentation.

Beitragen

Wir haben eine Seite „Mitwirken bei NeuralProphet“ mit praktischen Anleitungen und weiteren Ressourcen zusammengestellt, die Ihnen dabei helfen, Teil der Familie zu werden.

Gemeinschaft

Diskussion und Hilfe

Wenn Sie Fragen oder Anregungen haben, können Sie hier auf Github an unserer Community teilnehmen

Slack-Chat

Wir haben auch eine aktive Slack-Community. Kommen Sie vorbei und diskutieren Sie mit!

Tutorials

Es gibt mehrere Beispielnotizbücher, die Ihnen den Einstieg erleichtern.

Die in den Tutorials verwendeten Datensätze, einschließlich Beispielen zur Datenvorverarbeitung, finden Sie in unserem neuralprophet-data-Repository.

Weitere Ressourcen finden Sie auf unserer Dokumentationsseite.

Minimales Beispiel

 from neuralprophet import NeuralProphet

Nach dem Import des Pakets können Sie NeuralProphet in Ihrem Code verwenden:

 m = NeuralProphet ()
metrics = m . fit ( df )
forecast = m . predict ( df )

Sie können Ihre Ergebnisse mit den integrierten Plotfunktionen visualisieren:

 fig_forecast = m . plot ( forecast )
fig_components = m . plot_components ( forecast )
fig_model = m . plot_parameters ()

Wenn Sie eine Prognose für die unbekannte Zukunft erstellen möchten, erweitern Sie den Datenrahmen vor der Vorhersage:

 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 )

Installieren

Sie können neuralprophet jetzt direkt mit pip installieren:

pip install neuralprophet

Optionen installieren

Wenn Sie planen, das Paket in einem Jupyter-Notebook zu verwenden, empfehlen wir die Installation der „Live“-Version:

pip install neuralprophet[live]

Dadurch können Sie plot_live_loss in der fit -Funktion aktivieren, um einen Live-Plot des Zug- (und Validierungs-)Verlusts zu erhalten.

Wenn Sie die aktuellste Version möchten, können Sie stattdessen direkt von Github installieren:

git clone < copied link from github >
cd neural_prophet
pip install .

Hinweis für Windows-Benutzer: Bitte verwenden Sie WSL2.

Merkmale

Modellkomponenten

• Autoregression: Autokorrelationsmodellierung – linear oder NN (AR-Net).
• Trend: Stückweise linearer Trend mit optionaler automatischer Änderungspunkterkennung.
• Saisonalität: Fourier-Terme zu verschiedenen Zeiträumen wie jährlich, täglich, wöchentlich, stündlich.
• Verzögerte Regressoren: Verzögerte Beobachtungen (z. B. Temperatursensor) – linear oder NN.
• Zukünftige Regressoren: Im Voraus bekannte Merkmale (z. B. Temperaturvorhersage) – linear oder NN.
• Veranstaltungen: Feiertage auf dem Land und wiederkehrende maßgeschneiderte Veranstaltungen.
• Globale Modellierung: Komponenten können lokal, global oder „glokal“ (global + reguliert lokal) sein.

Framework-Funktionen

• Mehrere Zeitreihen: Passen Sie ein globales/glokales Modell mit (teilweise) gemeinsamen Modellparametern an.
• Unsicherheit: Werte bestimmter Quantile schätzen – Quantilregression.
• Modellierungskomponenten regulieren.
• Darstellung von Prognosekomponenten, Modellkoeffizienten und mehr.
• Dienstprogramm zur Kreuzvalidierung von Zeitreihen.
• Modell-Checkpointing und -Validierung.

Demnächst erhältlich ^™️

• Kreuzbeziehung verzögerter Regressoren.
• Statische Metadatenregression für mehrere Serien
• Logistisches Wachstum für Trendkomponente.

Eine Liste der vergangenen Änderungen finden Sie auf der Release-Seite.

Zitieren

Bitte zitieren Sie NeuralProphet in Ihren Veröffentlichungen, wenn es Ihrer Forschung hilft:

 @misc{triebe2021neuralprophet,
      title={NeuralProphet: Explainable Forecasting at Scale}, 
      author={Oskar Triebe and Hansika Hewamalage and Polina Pilyugina and Nikolay Laptev and Christoph Bergmeir and Ram Rajagopal},
      year={2021},
      eprint={2111.15397},
      archivePrefix={arXiv},
      primaryClass={cs.LG}
}

Vielen Dank an unsere Mitwirkenden:

Um

NeuralProphet ist ein Open-Source-Community-Projekt, das von großartigen Menschen wie Ihnen unterstützt wird. Wenn Sie Interesse haben, dem Projekt beizutreten, können Sie sich gerne an mich (Oskar) wenden – meine E-Mail-Adresse finden Sie im NeuralProphet Paper.