Tenga en cuenta que el proyecto aún se encuentra en fase beta. Informe cualquier problema que encuentre o sugerencias que tenga. Haremos todo lo posible para abordarlos rápidamente. ¡Las contribuciones son muy bienvenidas!
NeuralProphet es un marco fácil de aprender para el pronóstico de series temporales interpretables. NeuralProphet se basa en PyTorch y combina redes neuronales y algoritmos tradicionales de series de tiempo, inspirados en Facebook Prophet y AR-Net.
Es posible que la página de documentación no esté completamente actualizada. Las cadenas de documentos deben ser confiables; consúltelas en caso de duda. Estamos trabajando en una documentación mejorada. Agradecemos cualquier ayuda para mejorar y actualizar los documentos.
Para obtener una introducción visual a NeuralProphet, vea esta presentación.
Recopilamos una página de Contribución a NeuralProphet con instrucciones prácticas y recursos adicionales para ayudarle a convertirse en parte de la familia.
Si tienes alguna pregunta o sugerencia, puedes participar en nuestra comunidad aquí mismo en Github.
También tenemos una comunidad Slack activa. ¡Ven y únete a la conversación!
Hay varios cuadernos de ejemplo para ayudarle a empezar.
Puede encontrar los conjuntos de datos utilizados en los tutoriales, incluidos ejemplos de preprocesamiento de datos, en nuestro repositorio de datos neuralprophet.
Consulte nuestra página de documentación para obtener más recursos.
from neuralprophet import NeuralProphet
Después de importar el paquete, puede usar NeuralProphet en su código:
m = NeuralProphet ()
metrics = m . fit ( df )
forecast = m . predict ( df )
Puede visualizar sus resultados con las funciones de trazado incorporadas:
fig_forecast = m . plot ( forecast )
fig_components = m . plot_components ( forecast )
fig_model = m . plot_parameters ()
Si desea pronosticar un futuro desconocido, extienda el marco de datos antes de predecir:
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 )
Ahora puedes instalar neuralprophet directamente con pip:
pip install neuralprophet
Si planea utilizar el paquete en una computadora portátil Jupyter, le recomendamos instalar la versión "en vivo":
pip install neuralprophet[live]
Esto le permitirá habilitar plot_live_loss
en la función fit
para obtener un gráfico en vivo de la pérdida del tren (y la validación).
Si desea la versión más actualizada, puede instalarla directamente desde github:
git clone < copied link from github >
cd neural_prophet
pip install .
Nota para usuarios de Windows: utilice WSL2.
Para obtener una lista de cambios anteriores, consulte la página de versiones.
Cite NeuralProphet en sus publicaciones si le ayuda en su investigación:
@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}
}
NeuralProphet es un proyecto comunitario de código abierto, respaldado por personas increíbles como tú. Si está interesado en unirse al proyecto, no dude en comunicarse conmigo (Oskar); puede encontrar mi correo electrónico en el documento NeuralProphet.