нейронный_пророк

Обратите внимание, что проект все еще находится на стадии бета-тестирования. Пожалуйста, сообщайте о любых проблемах, с которыми вы столкнулись, или о предложениях, которые у вас есть. Мы сделаем все возможное, чтобы быстро их решить. Взносы очень приветствуются!

NeuralProphet: прогнозирование, ориентированное на человека

NeuralProphet — это простая в освоении платформа для интерпретируемого прогнозирования временных рядов. NeuralProphet построен на PyTorch и сочетает в себе нейронные сети и традиционные алгоритмы временных рядов, вдохновленные Facebook Prophet и AR-Net.

• С помощью нескольких строк кода вы можете определить, настроить, визуализировать и оценить свои собственные модели прогнозирования.
• Он предназначен для итеративного построения моделей «человек в цикле». Это означает, что вы можете быстро построить первую модель, интерпретировать результаты, улучшить и повторить. Из-за акцента на интерпретируемость и возможность настройки NeuralProphet, возможно, не самая точная модель из коробки; поэтому не стесняйтесь корректировать и повторять, пока вам не понравятся результаты.
• NeuralProphet лучше всего подходит для данных временных рядов, которые имеют более высокую частоту (субдневные) и большую продолжительность (не менее двух полных периодов/лет).

Документация

Страница документации может быть не совсем актуальной. Строки документации должны быть надежными. Если у вас есть сомнения, обратитесь к ним. Мы работаем над улучшением документации. Мы ценим любую помощь в улучшении и обновлении документации.

Для визуального ознакомления с NeuralProphet просмотрите эту презентацию.

Способствовать

Мы создали страницу «Вклад в NeuralProphet» с практическими инструкциями и дополнительными ресурсами, которые помогут вам стать частью семьи.

Сообщество

Обсуждение и помощь

Если у вас есть какие-либо вопросы или предложения, вы можете принять участие в нашем сообществе прямо здесь, на Github.

Слабый чат

У нас также есть активное сообщество Slack. Приходите и присоединяйтесь к разговору!

Учебники

Есть несколько примеров блокнотов, которые помогут вам начать работу.

Вы можете найти наборы данных, используемые в учебных пособиях, включая примеры предварительной обработки данных, в нашем репозитории нейропрофет-данных.

Пожалуйста, обратитесь к нашей странице документации для получения дополнительных ресурсов.

Минимальный пример

 from neuralprophet import NeuralProphet

После импорта пакета вы можете использовать NeuralProphet в своем коде:

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

Вы можете визуализировать свои результаты с помощью встроенных функций построения графиков:

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

Если вы хотите спрогнозировать неизвестное будущее, перед прогнозированием расширьте фрейм данных:

 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 )

Установить

Теперь вы можете установить нейропрофет напрямую с помощью pip:

pip install neuralprophet

Варианты установки

Если вы планируете использовать пакет в блокноте Jupyter, мы рекомендуем установить «живую» версию:

pip install neuralprophet[live]

Это позволит вам plot_live_loss в функции fit , чтобы получить живой график потерь поезда (и проверки).

Если вам нужна самая последняя версия, вы можете установить ее непосредственно с github:

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

Примечание для пользователей Windows: используйте WSL2.

Функции

Компоненты модели

• Авторегрессия: автокорреляционное моделирование – линейное или NN (AR-Net).
• Тренд: кусочно-линейный тренд с дополнительным автоматическим обнаружением точки изменения.
• Сезонность: члены Фурье в разные периоды, например, ежегодно, ежедневно, еженедельно, часово.
• Регрессоры с лагом: наблюдения с лагом (например, датчик температуры) — линейные или NN.
• Будущие регрессоры: заранее известные характеристики (например, прогноз температуры) – линейные или NN.
• Мероприятия: Загородные праздники и повторяющиеся индивидуальные мероприятия.
• Глобальное моделирование: компоненты могут быть локальными, глобальными или «глокальными» (глобальными + регуляризованными локальными).

Возможности фреймворка

• Несколько временных рядов: подберите глобальную/глокальную модель с (частично) общими параметрами модели.
• Неопределенность: оценка значений конкретных квантилей – квантильная регрессия.
• Регуляризация компонентов моделирования.
• Построение графиков компонентов прогноза, коэффициентов модели и т. д.
• Утилита перекрестной проверки временных рядов.
• Проверка и проверка модели.

Скоро ^™️

• Перекрестная связь лаговых регрессоров.
• Статическая регрессия метаданных для нескольких серий
• Логистический рост для трендовой составляющей.

Список прошлых изменений можно найти на странице релизов.

Цитировать

Пожалуйста, цитируйте NeuralProphet в своих публикациях, если это поможет вашему исследованию:

 @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}
}

Большое спасибо нашим участникам:

О

NeuralProphet — это проект сообщества с открытым исходным кодом, поддерживаемый такими замечательными людьми, как вы. Если вы заинтересованы в присоединении к проекту, свяжитесь со мной (Оскаром) — мой адрес электронной почты можно найти в журнале NeuralProphet Paper.