neural_prophet

Harap dicatat bahwa proyek ini masih dalam tahap beta. Silakan laporkan masalah apa pun yang Anda temui atau saran yang Anda miliki. Kami akan melakukan yang terbaik untuk mengatasinya dengan cepat. Kontribusi sangat diharapkan!

NeuralProphet: peramalan yang berpusat pada manusia

NeuralProphet adalah kerangka kerja yang mudah dipelajari untuk peramalan deret waktu yang dapat ditafsirkan. NeuralProphet dibangun di PyTorch dan menggabungkan Neural Networks dan algoritma deret waktu tradisional, yang terinspirasi oleh Facebook Prophet dan AR-Net.

• Dengan beberapa baris kode, Anda dapat menentukan, menyesuaikan, memvisualisasikan, dan mengevaluasi model perkiraan Anda sendiri.
• Ini dirancang untuk pembuatan model human-in-the-loop yang berulang. Artinya, Anda dapat membuat model pertama dengan cepat, menafsirkan hasilnya, meningkatkan, mengulanginya. Karena fokus pada kemampuan interpretasi dan penyesuaian, NeuralProphet mungkin bukan model yang paling akurat; jadi, jangan ragu untuk menyesuaikan dan mengulanginya hingga Anda menyukai hasilnya.
• NeuralProphet paling cocok untuk data deret waktu dengan frekuensi lebih tinggi (sub-harian) dan durasi lebih lama (setidaknya dua periode/tahun penuh).

Dokumentasi

Halaman dokumentasi mungkin tidak sepenuhnya mutakhir. Docstrings harus dapat diandalkan, silakan merujuk ke docstrings jika ragu. Kami sedang mengerjakan dokumentasi yang lebih baik. Kami menghargai bantuan apa pun untuk meningkatkan dan memperbarui dokumen.

Untuk pengenalan visual tentang NeuralProphet, lihat presentasi ini.

Menyumbang

Kami menyusun halaman Berkontribusi ke NeuralProphet dengan instruksi praktis dan sumber daya lebih lanjut untuk membantu Anda menjadi bagian dari keluarga.

Masyarakat

Diskusi dan Bantuan

Jika Anda memiliki pertanyaan atau saran, Anda dapat berpartisipasi dalam komunitas kami di Github

Obrolan Kendur

Kami juga memiliki komunitas Slack yang aktif. Datang dan bergabunglah dalam percakapan!

Tutorial

Ada beberapa contoh buku catatan untuk membantu Anda memulai.

Anda dapat menemukan kumpulan data yang digunakan dalam tutorial, termasuk contoh prapemrosesan data, di repositori data neuralprophet kami.

Silakan merujuk ke halaman dokumentasi kami untuk sumber daya lebih lanjut.

Contoh minimal

 from neuralprophet import NeuralProphet

Setelah mengimpor paket, Anda dapat menggunakan NeuralProphet dalam kode Anda:

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

Anda dapat memvisualisasikan hasil Anda dengan fungsi plot bawaan:

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

Jika Anda ingin memperkirakan masa depan yang tidak diketahui, perluas kerangka data sebelum memprediksi:

 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 )

Memasang

Anda sekarang dapat menginstal neuralprophet langsung dengan pip:

pip install neuralprophet

Opsi pemasangan

Jika Anda berencana menggunakan paket di notebook Jupyter, kami menyarankan untuk menginstal versi 'live':

pip install neuralprophet[live]

Ini akan memungkinkan Anda untuk mengaktifkan plot_live_loss di fungsi fit untuk mendapatkan plot kerugian kereta (dan validasi) langsung.

Jika Anda menginginkan versi terbaru, Anda dapat menginstal langsung dari github:

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

Catatan untuk pengguna Windows: Silakan gunakan WSL2.

Fitur

Komponen model

• Autoregresi: Pemodelan autokorelasi - linier atau NN (AR-Net).
• Tren: Tren linier sedikit demi sedikit dengan deteksi titik perubahan otomatis opsional.
• Musiman: Istilah Fourier pada periode berbeda seperti tahunan, harian, mingguan, setiap jam.
• Regressor tertinggal: Pengamatan tertinggal (misalnya sensor suhu) - linier atau NN.
• Regressor masa depan: Fitur yang diketahui sebelumnya (misalnya perkiraan suhu) - linier atau NN.
• Acara: Hari libur negara & acara khusus berulang.
• Pemodelan Global: Komponen dapat bersifat lokal, global, atau 'glokal' (global + lokal yang diatur)

Fitur kerangka

• Deret waktu ganda: Menyesuaikan model global/glokal dengan parameter model bersama (sebagian).
• Ketidakpastian: Perkirakan nilai kuantil tertentu - Regresi Kuantil.
• Mengatur komponen pemodelan.
• Merencanakan komponen perkiraan, koefisien model, dan lainnya.
• Utilitas validasi silang deret waktu.
• Pos pemeriksaan dan validasi model.

Segera hadir ^™️

• Hubungan silang dari regresi yang tertinggal.
• Regresi metadata statis untuk beberapa seri
• Pertumbuhan logistik untuk komponen tren.

Untuk daftar perubahan sebelumnya, silakan merujuk ke halaman rilis.

Mengutip

Silakan kutip NeuralProphet dalam publikasi Anda jika itu membantu penelitian Anda:

 @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}
}

Terima Kasih Banyak Kepada Kontributor Kami:

Tentang

NeuralProphet adalah proyek komunitas sumber terbuka, didukung oleh orang-orang hebat seperti Anda. Jika Anda tertarik untuk bergabung dengan proyek ini, silakan menghubungi saya (Oskar) - Anda dapat menemukan email saya di NeuralProphet Paper.