profeta_neural

Observe que o projeto ainda está em fase beta. Por favor, relate quaisquer problemas que você encontrar ou sugestões que você tenha. Faremos o nosso melhor para resolvê-los rapidamente. Contribuições são muito bem-vindas!

NeuralProphet: previsão centrada no ser humano

NeuralProphet é uma estrutura fácil de aprender para previsão de séries temporais interpretáveis. NeuralProphet é construído em PyTorch e combina redes neurais e algoritmos tradicionais de série temporal, inspirados no Facebook Prophet e AR-Net.

• Com algumas linhas de código, você pode definir, personalizar, visualizar e avaliar seus próprios modelos de previsão.
• Ele foi projetado para construção iterativa de modelos humanos em circuito. Isso significa que você pode construir um primeiro modelo rapidamente, interpretar os resultados, melhorar, repetir. Devido ao foco na interpretabilidade e na capacidade de personalização, o NeuralProphet pode não ser o modelo mais preciso pronto para uso; portanto, não hesite em ajustar e iterar até gostar dos resultados.
• O NeuralProphet é mais adequado para dados de séries temporais de frequência mais alta (subdiária) e duração mais longa (pelo menos dois períodos/anos completos).

Documentação

A página de documentação pode não estar totalmente atualizada. Os documentos devem ser confiáveis, consulte-os em caso de dúvida. Estamos trabalhando em uma documentação melhorada. Agradecemos qualquer ajuda para melhorar e atualizar os documentos.

Para uma introdução visual ao NeuralProphet, veja esta apresentação.

Contribuir

Compilamos uma página Contribuindo para o NeuralProphet com instruções práticas e mais recursos para ajudá-lo a se tornar parte da família.

Comunidade

Discussão e Ajuda

Se você tiver alguma dúvida ou sugestão, você pode participar de nossa comunidade aqui mesmo no Github

Bate-papo Slack

Também temos uma comunidade ativa no Slack. Venha e participe da conversa!

Tutoriais

Existem vários cadernos de exemplo para ajudá-lo a começar.

Você pode encontrar os conjuntos de dados usados ​​nos tutoriais, incluindo exemplos de pré-processamento de dados, em nosso repositório neuralprophet-data.

Consulte nossa página de documentação para obter mais recursos.

Exemplo mínimo

 from neuralprophet import NeuralProphet

Após importar o pacote, você pode usar NeuralProphet em seu código:

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

Você pode visualizar seus resultados com as funções de plotagem integradas:

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

Se você deseja prever um futuro desconhecido, estenda o dataframe antes de prever:

 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

Agora você pode instalar o neuralprophet diretamente com pip:

pip install neuralprophet

Opções de instalação

Se você planeja usar o pacote em um notebook Jupyter, recomendamos instalar a versão ‘live’:

pip install neuralprophet[live]

Isso permitirá que você habilite plot_live_loss na função fit para obter um gráfico ao vivo da perda de trem (e validação).

Se desejar a versão mais atualizada, você pode instalar diretamente do github:

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

Nota para usuários do Windows: use WSL2.

Características

Componentes do modelo

• Autoregressão: Modelagem de autocorrelação - linear ou NN (AR-Net).
• Tendência: Tendência linear por partes com detecção automática opcional de ponto de mudança.
• Sazonalidade: Termos de Fourier em diferentes períodos, como anual, diário, semanal, horário.
• Regressores defasados: Observações defasadas (por exemplo, sensor de temperatura) - lineares ou NN.
• Regressores futuros: Características previamente conhecidas (por exemplo, previsão de temperatura) - lineares ou NN.
• Eventos: feriados nacionais e eventos personalizados recorrentes.
• Modelagem Global: Os componentes podem ser locais, globais ou 'glocal' (global + local regularizado)

Recursos da estrutura

• Múltiplas séries temporais: ajuste um modelo global/glocal com parâmetros de modelo (parcialmente) compartilhados.
• Incerteza: Estimar valores de quantis específicos - Regressão Quantílica.
• Regularize os componentes de modelagem.
• Plotagem de componentes de previsão, coeficientes de modelo e muito mais.
• Utilitário de validação cruzada de série temporal.
• Checkpoint e validação do modelo.

Em breve ^™️

• Relação cruzada de regressores defasados.
• Regressão estática de metadados para múltiplas séries
• Crescimento logístico para componente de tendência.

Para obter uma lista das alterações anteriores, consulte a página de lançamentos.

Citar

Por favor, cite NeuralProphet em suas publicações se isso ajudar em sua pesquisa:

 @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}
}

Muito obrigado aos nossos colaboradores:

Sobre

NeuralProphet é um projeto comunitário de código aberto, apoiado por pessoas incríveis como você. Se você estiver interessado em ingressar no projeto, sinta-se à vontade para entrar em contato comigo (Oskar) - você pode encontrar meu e-mail no NeuralProphet Paper.