profeta_neural

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: previsión centrada en el ser humano

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.

• Con unas pocas líneas de código, puede definir, personalizar, visualizar y evaluar sus propios modelos de pronóstico.
• Está diseñado para la construcción de modelos iterativos con humanos en el circuito. Eso significa que puedes construir un primer modelo rápidamente, interpretar los resultados, mejorar y repetir. Debido al enfoque en la interpretabilidad y la capacidad de personalización, NeuralProphet puede no ser el modelo más preciso listo para usar; así que no dude en ajustar e iterar hasta que le gusten los resultados.
• NeuralProphet es más adecuado para datos de series temporales de mayor frecuencia (subdiaria) y mayor duración (al menos dos períodos/años completos).

Documentación

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.

Contribuir

Recopilamos una página de Contribución a NeuralProphet con instrucciones prácticas y recursos adicionales para ayudarle a convertirse en parte de la familia.

Comunidad

Discusión y ayuda

Si tienes alguna pregunta o sugerencia, puedes participar en nuestra comunidad aquí mismo en Github.

Chat flojo

También tenemos una comunidad Slack activa. ¡Ven y únete a la conversación!

Tutoriales

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.

Ejemplo mínimo

 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 )

Instalar

Ahora puedes instalar neuralprophet directamente con pip:

pip install neuralprophet

Opciones de instalación

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.

Características

Componentes del modelo

• Autoregresión: Modelado de autocorrelación: lineal o NN (AR-Net).
• Tendencia: Tendencia lineal por partes con detección automática de punto de cambio opcional.
• Estacionalidad: Términos de Fourier en diferentes periodos como anual, diario, semanal, horario.
• Regresores rezagados: Observaciones rezagadas (por ejemplo, sensor de temperatura): lineal o NN.
• Regresores futuros: características conocidas de antemano (por ejemplo, pronóstico de temperatura): lineal o NN.
• Eventos: vacaciones en el campo y eventos personalizados recurrentes.
• Modelado global: los componentes pueden ser locales, globales o 'glocales' (global + local regularizado)

Características del marco

• Múltiples series de tiempo: ajuste un modelo global/glocal con parámetros de modelo (parcialmente) compartidos.
• Incertidumbre: Estimación de valores de cuantiles específicos - Regresión de cuantiles.
• Regularizar los componentes del modelado.
• Trazado de componentes de pronóstico, coeficientes de modelo y más.
• Utilidad de validación cruzada de series temporales.
• Control y validación de modelos.

Próximamente ^™️

• Relación cruzada de regresores rezagados.
• Regresión estática de metadatos para múltiples series.
• Crecimiento logístico para el componente de tendencia.

Para obtener una lista de cambios anteriores, consulte la página de versiones.

Citar

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}
}

Muchas gracias a nuestros colaboradores:

Acerca de

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.