neural_prophet
Beta 0.9.0
โปรดทราบว่าโครงการยังอยู่ในช่วงเบต้า กรุณารายงานปัญหาใด ๆ ที่คุณพบหรือข้อเสนอแนะที่คุณมี เราจะพยายามอย่างดีที่สุดเพื่อแก้ไขปัญหาเหล่านี้อย่างรวดเร็ว ยินดีเป็นอย่างยิ่ง!
NeuralProphet เป็นเฟรมเวิร์กที่เรียนรู้ได้ง่ายสำหรับการพยากรณ์อนุกรมเวลาที่สามารถตีความได้ NeuralProphet สร้างขึ้นบน PyTorch และผสมผสาน Neural Networks และอัลกอริธึมอนุกรมเวลาแบบดั้งเดิม ซึ่งได้รับแรงบันดาลใจจาก Facebook Prophet และ AR-Net
หน้าเอกสารอาจไม่อัปเดตทั้งหมด เอกสารควรมีความน่าเชื่อถือ โปรดดูเอกสารที่มีข้อสงสัย เรากำลังดำเนินการปรับปรุงเอกสาร เราขอขอบคุณสำหรับความช่วยเหลือในการปรับปรุงและอัปเดตเอกสาร
หากต้องการข้อมูลเบื้องต้นเกี่ยวกับ NeuralProphet แบบเห็นภาพ โปรดดูการนำเสนอนี้
เราได้รวบรวมหน้า Contributing to NeuralProphet พร้อมคำแนะนำที่เป็นประโยชน์และแหล่งข้อมูลเพิ่มเติมเพื่อช่วยให้คุณเป็นส่วนหนึ่งของครอบครัว
หากคุณมีคำถามหรือข้อเสนอแนะ คุณสามารถมีส่วนร่วมในชุมชนของเราได้ที่นี่บน Github
เรายังมีชุมชน Slack ที่กระตือรือร้นอีกด้วย มาร่วมสนทนากันเถอะ!
มีสมุดบันทึกตัวอย่างหลายตัวอย่างที่จะช่วยคุณเริ่มต้นใช้งาน
คุณสามารถค้นหาชุดข้อมูลที่ใช้ในบทช่วยสอน รวมถึงตัวอย่างการประมวลผลข้อมูลล่วงหน้าได้ในที่เก็บข้อมูลประสาทศาสดาพยากรณ์ของเรา
โปรดดูหน้าเอกสารของเราสำหรับแหล่งข้อมูลเพิ่มเติม
from neuralprophet import NeuralProphetหลังจากนำเข้าแพ็คเกจ คุณสามารถใช้ NeuralProphet ในโค้ดของคุณ:
m = NeuralProphet ()
metrics = m . fit ( df )
forecast = m . predict ( df )คุณสามารถเห็นภาพผลลัพธ์ของคุณด้วยฟังก์ชันการวางแผนในตัว:
fig_forecast = m . plot ( forecast )
fig_components = m . plot_components ( forecast )
fig_model = m . plot_parameters ()หากคุณต้องการคาดการณ์ถึงอนาคตที่ไม่รู้จัก ให้ขยาย dataframe ก่อนที่จะคาดการณ์:
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 )ตอนนี้คุณสามารถติดตั้ง neuralprophet ได้โดยตรงด้วย pip:
pip install neuralprophetหากคุณวางแผนที่จะใช้แพ็คเกจในสมุดบันทึก Jupyter เราแนะนำให้ติดตั้งเวอร์ชัน 'สด':
pip install neuralprophet[live] สิ่งนี้จะช่วยให้คุณสามารถเปิดใช้งาน plot_live_loss ในฟังก์ชัน fit เพื่อรับพล็อตสดของการสูญเสียรถไฟ (และการตรวจสอบความถูกต้อง)
หากคุณต้องการเวอร์ชันล่าสุด คุณสามารถติดตั้งได้โดยตรงจาก GitHub:
git clone < copied link from github >
cd neural_prophet
pip install .หมายเหตุสำหรับผู้ใช้ Windows: โปรดใช้ WSL2
สำหรับรายการการเปลี่ยนแปลงที่ผ่านมา โปรดดูที่หน้าการเผยแพร่
โปรดอ้างอิง NeuralProphet ในสิ่งพิมพ์ของคุณหากช่วยในการวิจัยของคุณ:
@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}
}
NeuralProphet เป็นโครงการชุมชนโอเพ่นซอร์สที่ได้รับการสนับสนุนจากคนเก่งๆ เช่นคุณ หากคุณสนใจที่จะเข้าร่วมโครงการ โปรดติดต่อฉัน (ออสการ์) คุณสามารถดูอีเมลของฉันได้ที่ NeuralProphet Paper
