신경_예언자

이 프로젝트는 아직 베타 단계에 있습니다. 발생한 문제나 제안사항을 알려주세요. 신속히 처리할 수 있도록 최선을 다하겠습니다. 기여를 매우 환영합니다!

NeuralProphet: 인간 중심 예측

NeuralProphet은 해석 가능한 시계열 예측을 위한 배우기 쉬운 프레임워크입니다. NeuralProphet은 PyTorch를 기반으로 구축되었으며 Facebook Prophet 및 AR-Net에서 영감을 받은 신경망과 기존 시계열 알고리즘을 결합합니다.

• 몇 줄의 코드만으로 자신만의 예측 모델을 정의, 사용자 정의, 시각화 및 평가할 수 있습니다.
• 반복적인 Human-In-The-Loop 모델 구축을 위해 설계되었습니다. 즉, 첫 번째 모델을 신속하게 구축하고 결과를 해석하고 개선하고 반복할 수 있습니다. 해석 가능성과 사용자 정의 가능성에 중점을 두기 때문에 NeuralProphet은 기본적으로 가장 정확한 모델이 아닐 수도 있습니다. 따라서 결과가 마음에 들 때까지 주저하지 말고 조정하고 반복하십시오.
• NeuralProphet은 빈도가 더 높고(일일 미만) 지속 기간이 더 긴(최소 2개의 전체 기간/년) 시계열 데이터에 가장 적합합니다.

선적 서류 비치

설명서 페이지가 완전히 최신 상태가 아닐 수도 있습니다. Docstring은 신뢰할 수 있어야 합니다. 의심스러운 경우에는 이를 참조하세요. 우리는 개선된 문서를 작성 중입니다. 문서를 개선하고 업데이트하는 데 도움을 주시면 감사하겠습니다.

NeuralProphet에 대한 시각적 소개를 보려면 이 프레젠테이션을 시청하세요.

기여하다

우리는 귀하가 가족의 일원이 되는 데 도움이 되는 실용적인 지침과 추가 리소스가 포함된 NeuralProphet에 기여 페이지를 편집했습니다.

지역 사회

토론 및 도움말

질문이나 제안 사항이 있으면 바로 여기 Github의 커뮤니티에 참여할 수 있습니다.

슬랙 채팅

또한 활발한 Slack 커뮤니티도 있습니다. 와서 대화에 참여해보세요!

튜토리얼

시작하는 데 도움이 되는 몇 가지 예제 노트북이 있습니다.

데이터 사전 처리 예제를 포함하여 튜토리얼에 사용된 데이터세트를 Neuralprophet-data 저장소에서 찾을 수 있습니다.

더 많은 리소스를 보려면 설명서 페이지를 참조하세요.

최소한의 예

 from neuralprophet import NeuralProphet

패키지를 가져온 후 코드에서 NeuralProphet을 사용할 수 있습니다.

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

내장된 플롯 기능을 사용하여 결과를 시각화할 수 있습니다.

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

알 수 없는 미래를 예측하려면 예측하기 전에 데이터프레임을 확장하세요.

 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 )

설치하다

이제 pip를 사용하여 Neuralprophet을 직접 설치할 수 있습니다.

pip install neuralprophet

설치 옵션

Jupyter 노트북에서 패키지를 사용하려는 경우 '라이브' 버전을 설치하는 것이 좋습니다.

pip install neuralprophet[live]

이를 통해 fit 함수에서 plot_live_loss 활성화하여 열차(및 검증) 손실의 실시간 플롯을 얻을 수 있습니다.

최신 버전을 원하시면 github에서 직접 설치하시면 됩니다:

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

Windows 사용자를 위한 참고 사항: WSL2를 사용하십시오.

특징

모델 구성요소

• 자기회귀: 자기상관 모델링 - 선형 또는 NN(AR-Net).
• 추세: 자동 변화 지점 감지 옵션이 포함된 조각별 선형 추세입니다.
• 계절성: 연간, 일별, 주별, 시간별 등 다양한 기간의 푸리에 항입니다.
• 지연된 회귀 변수: 지연된 관측치(예: 온도 센서) - 선형 또는 NN입니다.
• 미래 회귀자: 사전에 알려진 기능(예: 온도 예측) - 선형 또는 NN.
• 이벤트: 국가 공휴일 및 반복되는 맞춤 이벤트.
• 글로벌 모델링: 구성 요소는 로컬, 글로벌 또는 'glocal'(글로벌 + 정규화된 로컬)일 수 있습니다.

프레임워크 기능

• 다중 시계열: (부분적으로) 공유 모델 매개변수를 사용하여 전역/글로컬 모델을 맞춥니다.
• 불확실성: 특정 분위수 값 추정 - 분위수 회귀.
• 모델링 구성요소를 정규화합니다.
• 예측 구성요소, 모델 계수 등을 도표화합니다.
• 시계열 교차 검증 유틸리티.
• 모델 체크포인트 및 검증.

곧 출시됩니다 ^™️

• 지연된 회귀 변수의 상호 관계.
• 여러 시리즈에 대한 정적 메타데이터 회귀
• 추세 구성 요소의 물류 성장.

과거 변경 사항 목록은 릴리스 페이지를 참조하세요.

인용문

연구에 도움이 된다면 출판물에 NeuralProphet을 인용해 주세요.

 @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}
}

기여자들에게 많은 감사를 드립니다:

에 대한

NeuralProphet은 여러분과 같은 멋진 사람들이 지원하는 오픈 소스 커뮤니티 프로젝트입니다. 프로젝트 참여에 관심이 있으시면 언제든지 저(Oskar)에게 연락해 주세요. NeuralProphet Paper에서 제 이메일을 찾으실 수 있습니다.